Está en la página 1de 150

Indice

Agradecimientos . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
Lista de figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
Lista de tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .xv


Captulo I: Introduccin
1.1 Motivacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Evolucin del concepto seguridad . . . . . . . . . . . . . . . . . . . . .1
1.3 Valoracin de seguridad . . . . . . . . . . . . . . . . . . . . . . . .3
1.3.1 Valoracin de seguridad directa . . . . . . . . . . . . . . . . . . . .3
1.3.2 Valoracin de seguridad indirecta . . . . . . . . . . . . . . . . . . .4
1.3.3 Comparacin de mtodos directos e indirectos . . . . . . . . . . . . . . 4
1.4 Partes fundamentales del anlisis de seguridad en lnea . . . . . . . . . . . . 4
1.5 Estimadores que se han propuesto y sus resultados . . . . . . . . . . . . . . 8
1.5.1 Ecuaciones normales . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.2 Transformacin ortogonal . . . . . . . . . . . . . . . . . . . . . 9
1.5.3 Hbrido . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5.4 Ecuaciones normales con restricciones . . . . . . . . . . . . . . . . 11
1.5.5 Matriz aumentada de Hachtels . . . . . .. . . . . . . . . . . . . 12
1.5.6 Resultados obtenidos de los estimadores . . . . . . . . . . . . . . . .13
1.6 Principales aportaciones del trabajo . . . . . . . . . . . . . . . . . . 14
1.7 Estructura de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . .16



Captulo II: Estimador de mnimos cuadrados ponderados (WLS)
2.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Descripcin del problema de estimacin de estado . . . . . . . . . . . . . .19
2.2.1 Deteccin de errores . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.2 Identificacin de la fuente de error . . . . . . . . . . . . . . . . . . 19
2.3 Modelo de estimacin de estado por el mtodo de ecuaciones normales . . . . . 20
2.4 Modelado y estructura de la matriz jacobiana H . . . . . . . . . . . . . . 23
2.4.1 Mediciones de flujo de potencia en lnea de transmisin . . . . . . . . . 23
2.4.2 Mediciones de inyecciones de potencia nodal. . . . . . . . . . . . . . 27
2.4.3 Mediciones de magnitudes de voltaje nodal . . . . . . . . . . . . . . . 29
2.4.4 Estructura de la matriz jacobiana H . . . . . . . . . . . . . . . . . 29
2.5 Deteccin e identificacin de datos errneos. . . . . . . . . . .. . . . . . 31
2.5.1 Valor esperado de z
m
y $ z . . . . . . . . . . . . . . . . . . . . 32
2.5.2 Varianza y esperanza de $ x . . . . . . . . . . . . . . . . . . . . . .32
2.5.3 Varianza y esperanza de $ z . . . . . . . . . . . . . . . . . . . . . 33
2.5.4 Deteccin del error . . . . . . . . . . . . . . . . . . . . . . . . 33
2.5.5 Identificacin de mediciones errneas. . . . . . . . . . . . . . . .. . 35
2.6 Ejemplo de aplicacin . . . . . . . . . . . . . . . . . . . . . . . . 36

Captulo III: Estimador mediante mnimos valores absolutos ponderados
(WLAV) usando programacin lineal (PL)
3.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Aproximacin lineal del mtodo WLAV . . . . . . . . . . . . . . . . . 46
3.3 Diferencia entre los mtodos WLAV y WLS. . . . . . . . . . . . . . . . 47
3.4 Estimador WLAV para SEP . . . . . . . . . . . . . . . . . . . . . . 49
3.5 Descripcin conceptual de los algoritmos Simplex y Punto Interior. . . . . . . 51
3.6 Estimador WLAV usando el mtodo Simplex Reformulado. . . . . . . . . . . 54
3.7 Estimador WLAV usando la estrategia Affine-Scaling en la formulacin Dual . . . 58

3.7.1 Teora de la formulacin Dual Affine-Scaling . . . . . . . . . . . . . 58
3.7.2 Algoritmo Dual Affine-Scaling aplicado el problema de estimacin de estado. . . 61
3.8 Mtodo de deteccin e identificacin para el estimador WLAV . . . . . . . . 63
3.8.1 Deteccin de error. . . . . . . . . . . . . . . . . . . . . . . . . 63
3.8.2 Identificacin de errores . . . . . . . . . . . . . . . . . . . . . . 66
3.9 Ejemplo de aplicacin . . . . . . . . . . . . . . . . . . . . . . . . 67
3.9.1 Aplicacin del algoritmo Simplex Reformulado. . . . . . . . . . . . . 69
3.9.2 Aplicacin del algoritmo Dual Affine-Scaling . . . . . . . . . . . . . . 74

Captulo IV: Observabilidad y colocacin de mediciones
4.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.2 Observabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.3 Mtodo de observabilidad de M.F-Wu .. . . . . . . . . . . . . . . . . . 80
4.3.1 Determinacin de estados observables. . . . . . . . . . . . . . . . . 81
4.3.2 Determinacin de estados no-obsevables . . . . . . . . . . . . . . . . 84
4.4 Colocador de mediciones . . . . . . . . . . . . . . . . . . . . . . . 86
4.4.1 Teora del colocador de mediciones. . . . . . . . . . . . . . . . . . 87
4.4.2 Incremento de la precisin . . . . . . . . . . . . . . . . . . . . . .88
4.4.3 Concepto de mediciones de punto de apalancamiento. . . . . . . . . . . 89
4.4.4 Mediciones de punto de apalancamiento en SEP. . . . . . . . . . . . . 90
4.4.5 Algoritmo de colocacin de mediciones . . . . . . . . . . . . . . . . 92
4.5 Ejemplo de aplicacin . . . . . . . . . . . . . . . . . . . . . . . . 93

Captulo V: Resultados y anlisis
5.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.2 Condiciones de simulacin . . . . . . . . . . . . . . . . . . . . . . 98
5.3 Caso 1: Influencia de la redundancia global . . . . . . . . . . . . . . . 100
5.3.1 Modificacin del estimador WLAV . . . . . . . . . . . . . . . . . .102
5.3.2 Conclusiones del punto caso 1 . . . . . . . . . . . . . . . . . . . . 105

5.4 Caso 2: Comportamiento de los estimadores ante mltiples datos errneos . . . .105
5.4.1 Errores mltiples fijos . . . . . . . . . . . . . . . . . . . . . . . 105
5.4.2 Errores mltiples mviles . . . . . . . . . . . . . . . . . . . . . . 109
5.4.3 Conclusiones del caso 2. . . . . . . . . . . . . . . . . . . . . . 119
5.5 Caso 3: Influencia del identificador de errores en el desempeo del estimador . . . 120
5.5.1 Errores mltiples que interactuan entre si en nodos de alta redundancia local . . 121
5.5.2 Errores mltiples que interactuan entre si en nodos de baja redundancia local . 123
5.5.3 Conclusiones del caso 3. . . . . . . . . . . . . . . . . . . . . .126
5.6 Caso 4: Influencia de las mediciones de punto de apalancamiento y colocacin de
mediciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.6.1 Influencia de las mediciones de punto de apalancamiento . . . . . . . . 127
5.6.2 Impacto de la colocacin de mediciones en los resultados del estimador. . . .
129
5.6.3 Conclusiones del caso 4. . . . . . . . . . . . . . . . . . . . . . 133

Captulo VI: Conclusiones y recomendaciones
6.1 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
6.2 Recomendaciones para trabajos futuros . . . . . . . . . . . . . . . . . 136

Referencias. . . . . . . . . . . . . . . . . . . . . . . . . . . . 137












Lista de figuras


1.1 Estados operativos . . . . . . . . . . . . . . . . . . . . . . . . . . .5
1.2 Principales componentes del anlisis de seguridad en lnea . . . . . . . . . . . 6
2.1 Etapas fundamentales del estimador de estado . . . . . . . . . . . . . . .20
2.2 Circuito equivalente de una lnea de transmisin. . . . . . . . . . . . . . 24
2.3 Modelo de inyeccin de potencia compleja en el nodo k . . . . . . . . . . . .27
2.4 Funcin de densidad de probabilidad de . . . . . . . . . . . . . . . . 34
2
k ,
2.5 Sistema de 5 nodos . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.1 Representacin grfica de los estimadores WLS y WLAV . . . . . . . . . . 48
3.2 Regin de solucin factible . . . . . . . . . . . . . . . . . . . . . . .51
3.3 Movimiento en los vtices del mtodo Simplex . . . . . . . . . . . . . . .52
3.4 Movimiento de la solucin inicial . . . . . . . . . . . . . . . . . . . .53
3.5 Escalamiento de la solucin inicial . . . . . . . . . . . . . . . . . . . .53
3.6 Operacin de reescalamiento . . . . . . . . . . . . . . . . . . . . . .54
3.7 Sistema de 5 nodos . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.1 Comparacin grfica de las ecuaciones (4.31) y (4.32) . . . . . . . . . . . . 90
4.2 Sistema de 5 nodos . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.1 Sistema elctrico de 68 nodos, con redundancia global de 1.469 . . . . . . 99
5.2 Errores de magnitud . . . . . . . . . . . . . . . . . . . . . . . . 100
5.3 Errores de fase . . . . . . . . . . . . . . . . . . . . . . . . . . .100
5.4 Errores de magnitud . . . . . . . . . . . . . . . . . . . . . . . . 101
5.5 Errores de fase . . . . . . . . . . . . . . . . . . . . . . . . . . .101
5.6 Errores de magnitud . . . . . . . . . . . . . . . . . . . . . . . . 101
5.7 Errores de fase . . . . . . . . . . . . . . . . . . . . . . . . . . .101
5.8 Errores de magnitud . . . . . . . . . . . . . . . . . . . . . . . . 103
5.9 Errores de fase . . . . . . . . . . . . . . . . . . . . . . . . . . .103

5.10 Errores de magnitud . . . . . . . . . . . . . . . . . . . . . . . . 103
5.11 Errores de fase . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.12 Errores de magnitud . . . . . . . . . . . . . . . . . . . . . . . . 104
5.13 Errores de fase . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.14 Errores de magnitud, (errores fijos) . . . . . . . . . . . . . . . . . . 106
5.15 Errores de fase, (errores fijos) . . . . . . . . . . . . . . . . . . . . 106
5.16 Errores de magnitud, (errores fijos) . . . . . . . . . . . . . . . . . . 107
5.17 Errores de fase, (errores fijos) . . . . . . . . . . . . . . . . . . . . 107
5.18 Errores de magnitud, (errores fijos) . . . . . . . . . . . . . . . . . . 107
5.19 Errores de fase, (errores fijos) . . . . . . . . . . . . . . . . . . . . 107
5.20 Errores de magnitud, caso 1, mviles . . . . . . . . . . . . . . . . . . 110
5.21 Errores de fase, caso 1, mviles . . . . . . . . . . . . . . . . . . . 110
5.22 Errores de magnitud, caso 2, mviles . . . . . . . . . . . . . . . . . 110
5.23 Errores de fase, caso 2, mviles . . . . . . . . . . . . . . . . . . . .110
5.24 Errores de magnitud, caso 3, mviles . . . . . . . . . . . . . . . . . .111
5.25 Errores de fase, caso 3, mviles . . . . . . . . . . . . . . . . . . . 111
5.26 Medicin de flujo en la lnea 32-33. . . . . . . . . . . . . . . . . . . 112
5.27 Medicin de flujo de lnea 61-29. . . . . . . . . . . . . . . . . . . . 112
5.28 Errores de magnitud, caso 1, mviles . . . . . . . . . . . . . . . . . . 113
5.29 Errores de fase, caso 1, mviles . . . . . . . . . . . . . . . . . . . 113
5.30 Errores de magnitud, caso 2, mviles . . . . . . . . . . . . . . . . . 114
5.31 Errores de fase, caso 2, mviles . . . . . . . . . . . . . . . . . . . .114
5.32 Errores de magnitud, caso 3, mviles . . . . . . . . . . . . . . . . . .114
5.33 Errores de fase, caso 3, mviles . . . . . . . . . . . . . . . . . 114 5.34
Errores de magnitud, caso 1, mviles . . . . . . . . . . . . . . . . . . 116
5.35 Errores de fase, caso 1, mviles . . . . . . . . . . . . . . . . . . . 116
5.36 Errores de magnitud, caso 2, mviles . . . . . . . . . . . . . . . . . 117
5.37 Errores de fase, caso 2, mviles . . . . . . . . . . . . . . . . . . . .117
5.38 Errores de magnitud, caso 3, mviles . . . . . . . . . . . . . . . . . .117
5.39 Errores de fase, caso 3, mviles . . . . . . . . . . . . . . . . . . . 117
5.40 Medicin de inyeccin en el nodo 53 . . . . . . . . . . . . . . . . . . 118
5.41 Medicin de inyeccin en el nodo 53 . . . . . . . . . . . . . . . . . . 119
5.42 Configuracin de mediciones con alta redundancia local en el nodo 16 . . . 121
5.43 Errores de magnitud, alta redundancia local . . . . . . . . . . . . . . . 122
5.44 Errores de fase, alta redundancia local . . . . . . . . . . . . . . . . 122
5.45 Configuracin de mediciones con alta redundancia local en el nodo 1 . . . . . 122
5.46 Errores de magnitud, alta redundancia local . . . . . . . . . . . . . . . 123
5.47 Errores de fase, alta redundancia local . . . . . . . . . . . . . . . . 123
5.48 Configuracin de mediciones con baja redundancia local en el nodo 16. . . . .
124
5.49 Errores de magnitud, baja redundancia local . . . . . . . . . . . . . . 124
5.50 Errores de fase, baja redundancia local . . . . . . . . . . . . . . . . . 124
5.51 Configuracin de mediciones con baja redundancia local en el nodo 1 . . . .
125
5.52 Errores de magnitud, baja redundancia local . . . . . . . . . . . . . . 125
5.53 Errores de fase, baja redundancia local . . . . . . . . . . . . . . . . . 125
5.54 Errores de magnitud, caso 1 . . . . . . . . . . . . . . . . . . . . 127
5.55 Errores de fase, caso 1 . . . . . . . . . . . . . . . . . . . . . . . 127
5.56 Errores de magnitud, caso 2 . . . . . . . . . . . . . . . . . . . . 128
5.57 Errores de fase, caso 2 . . . . . . . . . . . . . . . . . . . . . . . 128
5.58 Errores de magnitud, caso 3 . . . . . . . . . . . . . . . . . . . . 129
5.59 Errores de fase, caso 3 . . . . . . . . . . . . . . . . . . . . . . . 129











Lista de tablas


2.1 Estudio de Flujos vs Estimacin de Estado . . . . . . . . . . . . . . . . 18
3.1 Comparacin de varibles de estado estimadas y verdaderas, Simplex reformulado . . 73
3.2 Comparacin de varibles de estado estimadas y verdaderas, affine-scaling Dual . . 77
3.3 Comparacin de algoritmos affine-scaling Dual y Simplex reformulado . . . . . . 78
4.1 Elementos diagonales de la matriz K . . . . . . . . . . . . . . . . . . 95
4.2 Ordenamiento de nodos segn su varianza . . . . . . . . . . . . . . . . 95
4.3 Mediciones candidato para el nodo 2 . . . . . . . . . . . . . . . . . . 96
4.4 Elementos diagonales de la matriz K , despus de aadir la medicin candidato
(flujo 2-5) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.5 Varianza de error final . . . . . . . . . . . . . . . . . . . . . . . . 97
5.1 Comparacin de iteraciones y tiempos . . . . . . . . . . . . . . . . . . 102
5.2 Nueva comparacin de iteraciones y tiempos de convergencia . . . . . . . . 104
5.3 Mediciones con errores anormales . . . . . . . . . . . . . . . . . . . 106
5.4 Comparacin de iteraciones y tiempos de convergencia con errores fijos . . . . .
108
5.5 Grupos de mediciones errneas, para el nivel de 1.496 . . . . . . . . . . . 109
5.6 Iteraciones y tiempos de convergencia con errores mviles, nivel 1.496 . . . . . 111
5.7 Grupos de mediciones errneas, para el nivel de 2.540 . . . . . . . . . . . .113
5.8 Iteraciones y tiempos de convergencia con errores mviles, nivel 2.540 . . . . . 115
5.9 Grupos de mediciones errneas, para el nivel de 3.497 . . . . . . . . . . . 116
5.10 Iteraciones y tiempos de convergencia con errores mviles, nivel 3.497. . . . . 118
5.11 Comparacin de tiempos de computo, en nodos de alta redunc. . . . . . . . . 123
5.12 Comparacin de tiempos de computo, en nodos de baja redunc.. . . . . . . . 126
5.13 Varianza de errores inicial . . . . . . . . . . . . . . . . . . . . . 130
5.14 Valor inicial de K
i i ,
. . . . . . . . . . . . . . . . . . . . . . . . . 131
5.15 Mediciones candidato . . . . . . . . . . . . . . . . . . . . . . . 131
5.16 Varianza de error final y valor final de K
i i ,
. . . . . . . . . . . . . . . . 132
Resumen


El objetivo principal de este trabajo es la comparacin del desempeo de
estimadores de estado basados en mnimos cuadrados y en programacin lineal (PL).

Como una introduccin se justifica el uso del estimador de estado en los SEP, as
como el papel tan importante que juega en la evaluacin de la seguridad del SEP.

Se describen los fundamentos matemticos del estimador de mnimos cuadrados
ponderados basado en ecuaciones normales (WLS), as como los fundamentos estadsticos
del identificador de errores basado en el mtodo de identificacin y eliminacin (IBE).

Se presentan los conceptos bsicos del estimador de mnimos valores absolutos
ponderados (WLAV). Se describen las principales diferencias de operacin entre los
estimadores WLAV y WLS. Se describen conceptualmente dos mtodos especializados de
programacin lineal, mtodo Simplex y Punto Interior. Se presenta y se describe el mtodo
de punto interior, as como la forma en que se emplea para solucionar el problema de
estimacin de estado.

Se presentan ejemplos de aplicacin donde se detalla el proceso que realizan los
estimadores WLS basado en ecuaciones normales y WLAV basado en dos mtodos de PL,
Simplex y Punto Interior (propuesto) para obtener los mejores estimados del SEP. Los
ejemplos son realizados con la inclusin de datos errneos, para observar la bondad de los
estimadores mencionados.




Se describen dos herramientas auxiliares del estimador de estado. La primera es un
algoritmo de observabilidad, que determina la observabilidad del SEP y la segunda es
algoritmo de colocacin de mediciones que contribuye a aumentar la precisin de los
resultados que obtiene el estimador.

Se presentan y se comentan los resultados de la comparacin de los estimadores
WLAV, WLAV-R y WLS , que fuern sometidos a mltiples pruebas. En cada caso a la
que fuern sometidos los estimadores se prestan concluciones parciales.

El estimador propuesto, WLAV basado en el mtodo de punto interior es una
solucin viable para el problema de estimacin de estado. El estimador WLAV propuesto
es una alternativa atractiva debido a la bondad de rechazo mltiples datos errneos.

CAPITULO I


INTRODUCCION

1.1 Motivacin
El desarrollo industrial y el crecimiento poblacional en los ltimos aos han traido como
consecuencia el incremento de la demanda de energa elctrica, causando una rpida expansin de los
sistemas elctricos de potencia (SEP). Debido a que las actividades de la poblacin dependen en gran medida
del suministro de energa elctrica, la seguridad del SEP es el objetivo ms importante de su operacin.
Cuando no se logra operar con seguridad se pone en riesgo la continuidad del servicio y la falta de ste
provoca trastornos socio-econmicos graves. De ah que se pueda decir que la seguridad del SEP,
juega un papel muy importante en la economa de cualquier nacin.

1.2 Evolucin del concepto de seguridad
En la historia de la industria elctrica, el concepto de seguridad ha sido relativo. A travs de las dos
terceras partes de este siglo, los principales aspectos concernientes con la seguridad fueron: garantizar la
suficiente energa ante aumentos aleatorios de carga o la prdida de potencial de un generador, y prever los
efectos de la remocin de alguna lnea u otro equipo por mantenimiento. En ese tiempo, la seguridad fu
incluida dentro del problema de confiabilidad, y fu tomada en cuenta en los procesos de planificacin para
proveer un sistema robusto que pudiera soportar alguna serie de disturbios importantes sin sufrir serias
interrupciones. Quizs la eptome de ste enfoque fue el sistema elctrico de potencia americano (AEP), el
cual en 1974, soport 5 tornados mayores simultneamente, perdiendo 11 lneas de 345 KV, una lnea de
500 KV, dos lneas de 765 KV, y tres de las mayores subestaciones de switcheo, sin interrupcin a los clientes
[1].

El problema de seguridad tom importancia a partir del apagn de 1965 en el noreste de los Estados
Unidos. Posiblemente la primera mencin en la literatura del concepto seguridad en el actual sentido, fu en
los procedimientos de la segunda conferencia de computacin de SEP en 1966 [2]. Quiz l articulo ms
significativo es el de DyLiacco sobre relevadores adaptivos [3]. En este trabajo se define el concepto de
sistema de operacin de estados y se introduce el problema del monitoreo de seguridad a travs del anlisis
de contingencias [4,5,6].
Debido a que el concepto de seguridad fu un concepto abstracto, se defini la seguridad en trminos

Introduccin

2

de cmo se mide o monitorea. En el contexto de los SEP la seguridad puede ser calificada como la de
ausencia de riesgo. Especficamente de riesgo de interrupcin de continuidad en la operacin del sistema [7].
Esto es, la seguridad se defini como la habilidad del SEP para resistir sin serias consecuencias, alguna lista
preseleccionada de disturbios (contingencias) posibles.
Desde la perspectiva de control, el objetivo durante la operacin del SEP es mantener los flujos
elctricos, magnitudes de voltaje y ngulos, dentro de un lmite aceptable, a pesar de los cambios en la
demanda. Desde esta perspectiva, la seguridad puede ser definida como la probabilidad de que el sistema se
encuentre en un punto de operacin, donde los cambios en el sistema (contingencias) y medio ambiente
(tiempo, clientes, etc.) no interrumpan la continuidad de la operacin.
A continuacin se darn dos definiciones claves que ayudan a entender el concepto de seguridad:
a) Anlisis de Contingencia.- Es una herramienta computacional que se aplica en los centros de control de
energa (CCE), para proporcionar a los operadores una indicacin de cmo se comportar el sistema ante un
evento planeado o no planeado. El uso del anlisis de contingencia tiene como objetivo principal la
deteccin y evaluacin de posibles situaciones peligrosas al presentarse una contingencia en el SEP. La
informacin obtenida se usa para adoptar y ejecutar las decisiones que conducen al SEP a un estado menos
vulnerable (ms seguro) dadas las condiciones y recursos presentes. Es decir, est basado en la idea de
mostrar al operador el estado del sistema, para que ste pueda tomar acciones antes o despus del evento y as
evitar problemas de corte de energa a los consumidores. Esto tiene
una justificacin econmica importante, ya que es deseable evitar sobrecargar los equipos o perder
componentes debido a acciones de relevadores, causando cortes de energa a los consumidores.
b) Contingencia.- Es un evento inesperado o aleatorio, que los operadores del sistema no esperan que ocurra.
Las contingencias ms tpicas en los SEP consisten en la prdida de unidades de generacin o componentes de
transmisin (lneas, transformadores, etc.). En suma, las contingencias pueden ser causadas por la remocin
de equipo y cortos circuitos. Estas causas son clasificadas como internas y externas. Las causas internas
surgen de fenmenos tales como el rompimiento de aislamiento, accin de relevadores por temperatura o
simplemente una operacin incorrecta de los dispositivos relevadores. Las causas externas resultan de
algunos efectos ambientales tales como descargas atmosfricas.

1.3 Valoracin de seguridad
La valoracin de seguridad es un anlisis desempeado para determinar si el SEP o una parte del
mismo, es razonablemente seguro en su operacin, debido a las interferencias que puede sufrir durante su
operacin. Esto es, la valoracin de seguridad envuelve la evaluacin de los datos disponibles para estimar la
robustez relativa (nivel de seguridad) del sistema en el presente o en un futuro cercano. La forma de valorar la
seguridad es comnmente evaluada usando una lista de contingencias, esto es, si el sistema se encuentra
dentro de un nmero mnimo especificado de contingencias, el sistema puede ser clasificado como inseguro,
haciendo necesario el uso de medidas de control correctivas.
Pueden distinguirse dos alternativas de aproximacin para la valoracin de seguridad: los mtodos de

Introduccin

3

valoracin directa e indirecta.

1.3.1 Valoracin de seguridad directa
La valoracin directa estima la probabilidad de que el sistema se pueda mover de un estado de
operacin normal a un estado de emergencia, condicionado al estado actual y a las variaciones de carga
proyectadas y condiciones ambientales. La prctica comn en la valoracin directa es hacerlo a travs de una
lista estacionaria de contingencias, que los operadores del SEP conocen en base a su experiencia e intuicin.
La lista es construida para ser usada en un programa de computadora. Esto es aceptable para muchos
operadores pero en realidad se presenta un problema ya que la lista puede no ser muy grande y dejar pasar por
alto algunas contingencias importantes.

1.3.2 Valoracin de seguridad indirecta
La valoracin indirecta es formulada por la definicin de un conjunto de mrgenes de seguridad
relativos que predeterminan niveles adecuados para mantener el sistema en operacin, frente a una lista
reducida de contingencias preseleccionadas. Esto es, la lista de casos es construida dinmicamente y los casos
que son incluidos en la lista pueden cambiar en funcin de las condiciones cambiantes del sistema.

1.3.3 Comparacin de mtodos directos e indirectos
En general los mtodos directos son ms exactos y selectivos que los indirectos, pero los
requerimientos computacionales de estos ltimos son substancialmente menores. Las razones del incremento
computacional en los mtodos directos son que estos aproximan los ndices de severidad usando las
cantidades individuales monitoreadas (voltajes de nodo, flujos de rama, generacin reactiva), lo cual implica
que stas cantidades tengan que ser calculadas primero. En contraste, los mtodos indirectos dependen de un
clculo explcito de ndices de severidad [8] sin evaluar las cantidades individuales.
El conocimiento de los rangos de severidad complejos [8] (mediciones) y el conocimiento de las
cantidades individuales monitoreadas, son las principales razones de la exactitud superior de los mtodos
directos.

1.4 Partes fundamentales del anlisis de seguridad en lnea
Debido al crecimiento y complejidad del SEP, el operador del sistema requiere de herramientas ms
avanzadas para asegurar una operacin ptima. De ah que el anlisis de seguridad y control sea un auxiliar
importante en el manejo del sistema. Este auxiliar se encuentra compuesto de tres elementos bsicos, es
decir, monitoreo, valoracin y control, los cuales son esquematizados de la siguiente manera, Figura 1.1:

Introduccin

4

Alerta
Emergencia
Extrema
Restaurativo
Emergencia
Normal

Fig. 1.1: Estados operativos

1) Seguridad de monitoreo: Usando las mediciones en tiempo real del sistema, identificar s el sistema esta en
estado normal o no. Si el sistema est en estado de emergencia ir al paso 4, y si la carga se perdi ir al paso 5.
2) Valoracin de seguridad: Si el sistema est en estado normal, determinar si el sistema es seguro o inseguro
con respecto a un conjunto de prximas contingencias.
3) Incremento de seguridad: Si es inseguro el sistema con alguna contingencia que caus el estado de
emergencia, determinar qu accin podra ser tomada para hacer el sistema seguro a travs de acciones
preventivas.
4) Control de emergencia: Ejecutar la accin correctiva propia que lleve el sistema a su estado normal,
tomando en cuenta la contingencia que caus el estado de emergencia. Esto es llamado algunas veces accin
de remedio.
5) Control restaurativo: Restablece el funcionamiento del sistema devolviendo la carga a los usuarios.

El anlisis de seguridad y control es implementado a travs de numerosos paquetes computacionales
en los modernos centros de control de energa [9]. Los principales componentes del anlisis de seguridad
sobre lnea estn mostrados en la Figura 1.2.


Introduccin

5

Procesamiento de
datos falsos
Filtrado
Mediciones
estado la red
Modelado de
red externa
contingencias
Flujo de carga
Estado
seguro
Estado
inseguro
Estado de
emergencia
Estado
normal carga
observabilidad
contingencias
Estado
restaurativo

Fig. 1.2: Principales componentes del anlisis de seguridad en lnea

Los SEP son supervisados contnuamente para observar su comportamiento, es por ello que se
requiere contar con una gran cantidad de mediciones para evaluar su desempeo. Esta informacin es
recolectada en los CCE, pero no puede ser utilizada directamente ya que normalmente se encuentra
contaminada por incertidumbres (parmetros de la red, topologa de la misma etc.) y errores (descompostura
de medidores, ruido en las comunicaciones etc.), de ah que se requiera de un proceso que valide esta
informacin. El estimador de estado es un procesador de mediciones en lnea, que aprovecha la informacin
redundante recibida en los CCE, para hacer un filtrado de los errores de las mediciones por medio de tcnicas
de deteccin e identificacin de los datos anormales. Adems, proporciona un estimado de estas mediciones,
presentando una nueva base de datos suficientemente confiable para ser utilizada en otras aplicaciones como
anlisis de seguridad,


despacho econmico, flujos de potencia ptimos, etc., y as tomar acciones preventivas o correctivas del
sistema.
Los componentes de monitoreo empiezan con las mediciones en tiempo real de las cantidades fsicas,
tales como los flujos de potencia, inyecciones de potencia y magnitudes de voltaje, as como el estatus de
interruptores y switches. Los datos son medidos en puntos del sistema y enviados a los CCE. Las mediciones

Introduccin

6

anormales o con error transmitidas, son rechazadas por un filtrado sencillo, que consiste en checar la
razonabilidad y consistencia de los datos. Los datos restantes son primero sistemticamente procesados para
determinar la configuracin (generador y conexiones de transmisin en la red) topologa de la red. Entonces
estos datos disponibles son por tanto procesados para obtener un estimado de las variables de estado
(magnitudes de voltaje en los nodos y ngulos de fase en los mismos). La estimacin de estado es un
procedimiento matemtico que calcula los mejores estimados de las variables de estado del SEP basado en los
datos disponibles, que generalmente son corrompidos con errores. Antes de proceder a estimar las variables
de estado, es necesario verificar la observabilidad:
1) La estimacin del sistema es posible si el sistema es completamente observable.
2) Si no, es necesario determinar qu parte del sistema es observable.

Por otra parte a uno le gustara conocer si existen datos errneos en los presentes datos y cuales datos
pueden ser descartados. El anlisis de observabilidad y la deteccin e identificacin de datos errneos son
partes de la estimacin de estado.
Para valorar si el estado de operacin de un sistema es seguro o no ante un conjunto de
contingencias, es necesario emplear un esquema para seleccionar un conjunto de disturbios importantes. La
valoracin de la seguridad corrientemente involucra un anlisis de flujos de carga en estado estable.
Restricciones de estabilidad se expresan en trminos de los lmites sobre los flujos de lnea. Por lo tanto, para
estimar la respuesta del sistema a contingencias, se lleva a cabo la evaluacin de contingencias usando
estudios de flujos de carga en lnea.

1.5 Estimadores que se han propuesto y sus resultados
La exitosa implementacin de la estimacin de estado en los sistemas modernos de control de
energa se han incrementado en la ultima dcada, demandndose cada vez mejores mtodos de estimacin de
estado para SEP cada vez ms grandes. Los mtodos de estimacin para SEP de gran escala han presentado
problemas [10]. Uno de estos es el mal condicionamiento numrico, debido a que el estimador de estado
emplea un proceso iterativo. Cuando el sistema sta mal condicionado, se manifiesta una lenta o nula
convergencia. Esto puede explicarse de la siguiente manera: el mtodo de estimacin de estado genera una
solucin en una secuencia de puntos . En cada iteracin se resuelve un subproblema, y
el prximo punto es generado usando el punto actual y el valor del parmetro
x x x x
n 0 1 2
, , .. .
x
k +1
x
k
p (impedancias,
voltajes, etc.). Este procedimiento puede ser representado por una funcin
( ) ( ) ( ) p x f x p
n n 1
=

... , x f x p x f x
1 0 2 1
, , = = , . El proceso iterativo converge si se aproxima
a la solucin
x
n
x . Por tanto, debido al proceso iterativo, se presenta el efecto de errores por redondeo que
puede conducir a una lenta convergencia o falla en la misma.
El anlisis ha mostrado que el mal condicionamiento numrico puede suceder en la solucin de
estimacin de estado, cuando se presentan algunos de los siguientes factores:

Introduccin

7

Disparidad en los factores de ponderacin [11]
Un gran nmero de mediciones de inyecciones[10]
Conexin de lneas largas y cortas de transmisin[12]
Se han sugerido varios mtodos de estimacin de estado para resolver el problema de mal
condicionamiento numrico, los cuales sern resumidos brevemente.

1.5.1 Ecuaciones normales [13,14] (E.N)
El mtodo de E.N fu el primero en ser usado para resolver el problema de estimacin de estado.
Este se implement en tres versiones: Bsico, H constante y desacoplado. Ganando una amplia aceptacin en
los CCE su versin desacoplada, ya que sus matrices presentan dispersidad, lo que lo hace atractivo en
trminos computacionales, pues se utilizan tcnicas de dispersidad para la solucin de las mismas. Sin
embargo ste mtodo present problemas de mal condicionamiento numrico, que dieron paso a los mtodos
de estimacin que se utilizaron posteriormente.
Sea z el conjunto de mediciones, x el vector de variables de estado, la relacin matemtica
entre las seales medidas y las variables de estado, y
h
e el vector de errores aleatorios asociado a cada
medicin. Se tiene:
( ) z h x e = + (1.1)
La estimacin del vector de estado x se obtiene mediante la minimizacin de la funcin de mnimos
cuadrados ponderados:
( ) ( )
[ ]
( )
[ ]
J x z h x W z h x
t
= (1.2)
donde es una matriz diagonal cuyos elementos son los factores de ponderacin de las mediciones. El
factor de ponderacin se toma como el recproco de la varianza del error. La estimacin se resuelve por un
esquema iterativo que calcula las correcciones de
W
x en cada iteracin mediente la solucin de :
x G H W z
t
=
1
(1.3)
donde:
( ) z z h x = (1.4)
H
h
x
=

Matriz Jacobiana (1.5)


G H W H
t
= Matriz de ganancia (1.6)
por tanto x se corrige en un proceso iterativo:
x x
k k +
x
k
= +
1

donde: , obtenindose la correcciones de las variables de estado. k = 0 1 , ,..., n

Introduccin

8


1.5.2 Transformacin ortogonal [ 15,16 ] (T.Ort)
Este mtodo es numricamente muy estable lo que mejora la robustez de la estimacin de estado.
Est basado en la factorizacin de la matriz Jacobiana H por medio de la transformacin ortogonal
(mediante la transformacin de Givens o Householder), que lo hace numricamente estable. De igual manera
que el mtodo de E.N es implementado en tres versiones: Bsico, H constante y desacoplado. Sin embargo
su versin desacoplada no es muy prctica ya que generalmente sufre de una prdida de dispersidad,
especialmente cuando la redundancia es alta.
La funcin objetivo del problema linealizado de mnimos cuadrados ponderados en cada iteracin es,
( ) [ ] [ ]
[ ] [ ]
J x z H x W z H x
z H x z H x
z H x
t
t
=
=
=





~
~
~
~
~
~
2
(1.8)
donde:
~
~
. .
H W H z W z
0 5 0 5
y .
Sea Q una matriz ortogonal, , tal que: Q Q I
t
=
Q H
R
=

~
0
(1.9)
donde R es una matriz triangular superior. Por tanto se tiene:
( )
[ ] [ ]
J x z H x Q Q z H x
Q z Q H x
y R x y
t
t



=
=
= +
~
~
~
~
~
~


2
1
2
2
2
(1.10)
donde:
Q z
y
y
=

~ 1
2
(1.11)
El mnimo de (1.10) ocurre en
R x y =
1
(1.12)
Esto es, este mtodo empieza con la transformacin ortogonal (1.9) y (1.11), es decir de
~
~
H y z , luego se resuelve (1.12) por sustitucin hacia atrs, obtenindose los

incrementos para x . La transformacin de Givens Householder [17] es usada para obtener . Q

Introduccin

9


1.5.3 Hbrido [12] (Hybr.)
El mtodo Hybr. es un buen compromiso entre estabilidad nmerica y dispersidad, ya que contiene
la robustez numrica de los mtodos de T.Ort., y al mismo tiempo retiene la dispersidad de las E.N. El
mtodo Hybr. resuelve iterativamente las E.N., donde la factorizacin triangular se lleva a cabo usando la
T.Ort. De igual manera puede ser implementado en tres versiones: Bsico, H constante y desacoplado.
Este mtodo puede ser fcilmente derivado usando la ecuacin (1.9) que es:
G H W H H H R R
t t t
= = =
~ ~
(1.13)
El mtodo Hybr. resuelve las ecuaciones normales usando los factores ortogonales, es decir:
R R x H W z
t t
= (1.14)
Existen dos pasos en el mtodo Hybr. El primero es realizar la transformacin ortogonal Q sobre
~
H (1.9) y el segundo es resolver las ecuaciones normales (1.14).

1.5.4 Ecuaciones normales con restricciones [11,18 ] (E.N/R)
Se ha observado que la asignacin de grandes factores de ponderacin a las mediciones virtuales
(inyecciones zero en estaciones de switcheo) y pequeos factores de ponderacin a pseudomediciones (datos
creados en base a datos histricos de generacin, carga,..etc.), son los causantes del mal condicionamiento en
el mtodo de E.N. Por tanto, el tratamiento de las mediciones virtuales con restricciones remueve uno de los
mayores origenes del mal condicionamiento en estimacin de estado. Por ello desde el punto de vista de
estabilidad numrica el mtodo de E.N/R es mejor que el mtodo de E.N.
Por tanto, sean las telemediciones dadas como ( ) z h x e = + y las mediciones virtuales como
( ) c x = 0. Por consiguiente la matriz jacobiana es particionada en H C y . Sea r la razn entre los
factores de ponderacin de las mediciones virtuales y las
telemediciones. Las ecuaciones normales (1.3) son:
[ ]
H H r C C x H z r C c
t t t t
+ = + (1.15)
Se puede observar en (1.15) que para un r grande, el segundo trmino r C C
t
domina la matriz de
coeficientes. Sin embargo, usualmente no hay suficientes mediciones virtuales para hacer la matriz C de
rango completo (red observable). Por tanto para una r grande, el coeficiente de la matriz en (1.15) tiende a
ser singular, causando un problema de mal condicionamiento.
Las mediciones virtuales pueden ser separadas de las telemediciones y ser tratadas con igualdad de
restricciones. Ahora las mediciones z incluyen nicamente telemediciones (y pseudomediciones). El
problema es encontrar un estimado del vector x que minimize el cuadrado ponderado de la ecuacin (1.2)
mientras las igualdades de restriccin de ( ) c x = 0 sean satisfechas.

Introduccin

10

Puede aplicarse el mtodo de los multiplicadores de Lagrange para resolver el problema de
minimizacin restringida. El estimado $ x puede obtenerse por medio de un proceso iterativo. En cada iteracin
de la ecuacin linealizada se puede resolver el problema:
H W H C
C
x H W z
c
t t t

0


(1.16)
donde: ( ) z z h x , ( ) c c x y x x
k
= en la k-sima iteracin.
Se puede usar ( ) F x para denotar el coeficiente de la matriz dada en (1.16)
( ) F x
H W H C
C
t t

0
(1.17)

1.5.5 Matriz aumentada de Hachtels [19,20] (M.A.Hacht)
El mtodo de la M.A.Hacht. es un intermedio entre el mtodo de E.N y el de T.Ort., en trminos de
estabilidad nmerica, adems que presenta una mejor estabilidad que el mtodo de E.N/R, ya que tambin
resuelve el problema de igualdad de restricciones para las mediciones virtuales.
El problema de minimizacin restringida se resuelve para $ x por el mtodo de M.A.Hacht de la
siguiente manera. En cada iteracin, se resuelven las siguientes ecuaciones:
0 0
0
0 0
1 1
C
W H
C H
W r
x
c
z
t t

(1.18)
donde H
h
x

y C
c
x

son las matrices jacobianas , ( ) z z h x , ( ) c c x ,


r z H = x y x x
k
= en la k-sima iteracin , es el multiplicador lagrangiano , y es un
parmetro usado para el control de la estabilidad nmerica[13]. Dentro del clculo, las variables
desconocidas evaluadas en cada iteracin son:
= =


1 1
, , y r W r x .
Se puede usar ( ) K x para denotar el coeficiente de la matriz aumentada en (1.18)
( ) K x
C
W H
C H
t t

0 0
0
0
1
(1.19)

1.5.6 Resultados obtenidos de los estimadores resumidos

Introduccin

11

Los estimadores de estado mencionados fueron comparados [21] en trminos de su:
Estabilidad numrica.
Eficiencia computacional.
Complejidad de implementacin.
Los resultados de esta comparacin son los siguientes. El mtodo de T.Ort. demostr ser
numricamente ms estable, pero necesita requerimientos computacionales ms grandes. Por otra parte el
mtodo de T.Ort. no puede ser implementado en la versin eficiente desacoplada. El mtodo de
M.A.Hacht. y el mtodo Hybr. son ambos buenos compromisos entre estabilidad numrica y eficiencia
computacional. Ellos son aproximadamente similares hasta en la complejidad de su implementacin. El
mtodo de M.A.Hacht. y el mtodo Hybr. tienen tiempos de cmputo del mismo orden. Los requerimientos de
cmputo del mtodo de M.A.Hacht. crecen ms lentamente que el mtodo Hybr. a medida que el tamao de
la red incrementa.
Para sistemas pequeos (IEEE-30, Norwegian-99), el mtodo de M.A.Hacht. exhibe el mismo grado
de estabilidad numrica que el mtodo de T.Ort.
Para sistemas grandes (Nordel-1300), el mtodo de M.A.Hacht. no es numricamente tan robusto
como el mtodo de T.Ort. , este toma dos o tres iteraciones ms para converger. En el caso de un gran nmero
de mediciones de inyeccin, ste toma un par de iteraciones ms. La convergencia del mtodo de M.A.Hacht.
es afectado por el parmetro . El mtodo Hybr. no es numricamente estable si los factores de ponderacin
de las mediciones virtuales (inyecciones cero) son muy grandes (2 o 3 veces ms grandes en magnitud que las
ponderaciones para otro tipo de mediciones). Pero para pequeas ponderaciones ofrece el mismo grado de
estabilidad numrica que el mtodo de T.Ort.
En este estudio comparativo de estos estimadores surgieron 2 reas fructferas de investigacin que
pueden contribuir al desarrollo de mtodos ms robustos y eficientes. Estas reas son:
Seleccin ptima del parmetro en el mtodo de M.A.Hacht.
Incorporacin de las ecuaciones de restriccin en el mtodo Hybr. puede hacerlo ms estable numricamente
y ser as competitivo con el mtodo de M.A.Hacht.


1.6 Principales aportaciones de la tesis
Este trabajo propone una alternativa atractiva para resolver el problema de estimacin de estado en
SEP, considerando una versin linealizada del problema, para el cual se ha empleado el mtodo de puntos
interiores en su modalidad affine-scaling Dual, que exhibe una menor sensibilidad a mltiples datos errneos
y a mediciones de punto de apalancamiento.

Se presenta una descripcin detallada del problema de estimacin, as como de los estimadores de
mnimos cuadrados ponderados (WLS) y mnimos valores absolutos ponderados (WLAV) el cual se resolvi
mediante el mtodo de puntos interiores.

Introduccin

12


Se analiza el desempeo de una versin modificada del estimador WLAV resuelto mediante punto
interior (propuesto), que consiste en restringir el nmero de iteraciones de programacin lineal, el cual mostr
resultados tan satisfactorios como los del estimador WLAV.

Se presentan ejemplos de aplicacin, en los cuales se muestra con detalle el proceso de solucin de
los estimadores WLS y WLAV (basado en el mtodo simplex y punto interior) a SEP. Los ejemplos
consideran la inclusin de datos errneos para observar el comportamiento de los estimadores.

Se presenta y se emplea un algoritmo de colocacin de mediciones, el cual mediante la
incorporacin de nuevas mediciones en puntos estratgicos, aumenta la redundancia local y por ende la
precisin de los resultados del estimador, adems que disminuye la presencia de mediciones crticas y puntos
de apalancamiento,

Se presenta la metodologa de las mtiples pruebas realizadas a los estimadores WLAV, WLAV-R y
WLS. Se presentan y analizan los resultados obtenidos de la comparacin de los estimadores mencionados.


1.7 Estructura del trabajo
Captulo I: Se describe la importancia de la seguridad en la operacin del SEP. Se muestran y describen las
partes fundamentales del anlisis de seguridad, as como la manera en que se evala la seguridad del SEP. Se
justifica el uso del estimador de estado en el anlisis de seguridad, as como la importancia que juega en el
mismo. Finalmente se presentan los estimadores de estado que se han realizado, as como sus aspectos de
operacin ms relevantes.




Captulo II: Se describen las caractersticas del estimador de estado en el mbito operativo del SEP. Se
desarrolla un breve anlisis comparativo de las caractersticas del estudio de flujos y el estimador de estado.
Se seala el valor de este ltimo como un procesador de informacin en lnea. Se describen los fundamentos
matemticos del estimador por mnimos
cuadrados ponderados (WLS), as como los principios estadsticos que se utilizan para la deteccin e
identificacin de errores anormales. Por ltimo, se presenta un ejemplo de aplicacin, que engloba el
desempeo del estimador WLS y el identificador de errores anormales.

Captulo III: Describe los conceptos bsicos del estimador WLAV, as como sus bondades y diferencias con
el estimador WLS. Se presenta la metodologa del estimador WLAV resuelto mediante los mtodos

Introduccin

13

especializados de PL , Simplex y Punto Interior (propuesto). Finalmente se ejemplifican haciendo uso de un
sistema de 5 nodos.

Captulo IV: Se describen dos herramientas auxiliares del estimador de estado. El primero es un algoritmo de
observabilidad que determina si el sistema es observable, y el segundo es un algortimo de colocacin de
mediciones, el cual, introduce nuevas mediciones al conjunto de mediciones originales, logrando con ello
aumentar la precisin del estimador de estado.Finalmente, ambos algoritmos son presentados en un ejemplo
de aplicacin.

Captulo V: En esta seccin se presentan y comentan los resultados obtenidos de las pruebas mltiples
realizadas a los estimadores WLS, WLAV y WLAV-R.

Captulo VI: En esta seccin se presentan las principales conclusiones del trabajo, as como recomendaciones
para trabajos futuros en el tema de estimacin de estado.



CAPITULO II


ESTIMADOR DE MINIMOS CUADRADOS
PONDERADOS (WLS)

2.1 Introduccin
En los ltimos aos la estimacin de estado ha llegado a ser una funcin
generalmente aceptada e implantada en los CCE. La razn principal que motiv la
necesidad de esta funcin, es la importancia que se le ha dado al aspecto de seguridad en
los sistemas elctricos de potencia (SEP), debido al crecimiento y complejidad de los
mismos, los cuales requieren herramientas cada vez ms avanzadas para asegurar una
operacin ptima.
La mayora de los SEP son supervisados contnuamente a travs de mediciones de
variables de inters. Sin embargo en la prctica no se pueden medir todas las variables de
inters de un sistema. An cuando esto fuera factible, los errores e incertidumbres en las
cantidades medidas crean un problema de mayor importancia, ya que impiden la
utilizacin directa de la informacin. A pesar de que en la mayora de los sistemas de
adquisicin de datos se tienen verificaciones primarias para los datos medidos, es posible
que errores de importancia pasen este primer filtro y den como resultado una caracterstica
no deseable en la vigilancia del SEP. De ah que se requiera un proceso de validacin de la
informacin que sea confiable.
Los modelos matemticos ayudan en el proceso de validacin, ya que permiten
establecer un juicio a priori del estado del sistema ante diversas condiciones de operacin.
En este rengln se han desarrollado una amplia gama de ellos. Una de las primera ideas
[22,23] fu utilizar el estudio de flujos convencionales para aplicaciones en lnea. El
objetivo de este estudio es determinar el estado del sistema, resolviendo un sistema de n
ecuaciones, generalmente no-lineales, con n incgnitas, para el cual existe una solucin

Estimador de Mnimos Cuadrados Ponderados

18

factible que se ajusta a los datos de entrada. Sin embargo, se investigaron [23,5] los efectos
de los errores de medicin en los resultados obtenidos, y se concluy que:
Un error en los datos nodales se ver amplificado en las soluciones de flujos.
El mtodo carece de la facultad de detectar, identificar y eliminar los datos anormales.
Ante la falta de uno o varios datos, el mtodo se encuentra imposibilitado para realizar el
clculo.
Debido a los problemas con el mtodo mencionado, se impuso la necesidad de
recurrir a un mtodo que aprovechara la informacin redundante y estuviera preparado
para detectar, identificar y eliminar los datos anormales. El mtodo que agrupa estas
cualidades es el estimador de estado, que es fundamentalmente un procesador en lnea de
las mediciones de campo que se reciben en la computadora del centro de control de
energa. A travs del estimador se resuelven los problemas mencionados mediante el
clculo de variables de estado, a partir de las cuales cualquier variable elctrica del sistema
puede ser calculada. El proceso de clculo esta basado en una formulacin probablistica,
donde las variables de estado son consideradas aleatorias y los resultados son sometidos a
pruebas de hiptesis para su validacin, presentando finalmente un panorama confiable del
estado del SEP. De esta manera se logra una nueva base de datos confiable para implantar
acciones de control sobre el sistema.
En la Tabla 2.1 se muestran las principales caractersticas del estudio convencional
de flujos y el proceso de estimacin de estado.

Tabla (2.1) Estudio de flujos vs Estimacin de estado
Estudio Convencional Estimacin de Estado
Datos nodales Datos nodales y de rama
Solucin ajustada a los datos Solucin estimada a los datos
Siempre observable Observable por partes o totalmente
No es posible identificar errores Posibilidad de detectar e identificar errores




Estimador de Mnimos Cuadrados Ponderados

19

2.2 Descripcin del problema de estimacin de estado
El estimador de estado que se presenta es de tipo estocstico, esto es, estima el
estado del SEP bajo condiciones de variaciones lentas. El estimador de tipo estocstico
forma parte de un programa de anlisis de seguridad y control que opera en tiempo real; y
se puede definir como un algoritmo que procesa los datos medidos, tranformndolos
en el estado del sistema.
Las variables de inters para el estimador son las siguientes cantidades fsicas:
a) Inyecciones nodales de potencia real y reactiva ( ), ya sean de generacin o demanda. P Q ,
b) Flujos de potencia real y reactiva en las lneas y ramas del SEP ( ). P Q
k m k m , ,
,
c) Magnitudes de voltaje nodales ( V ).
Estas mediciones son recolectadas en los CCE, y evaluadas por un estimador de estado,
calculando el mejor estimado de las variables de estado (magnitud del voltaje nodal V y
ngulos de fase ), a partir de las cuales es posible evaluar cualquier variable del sistema.
Debido a que en el proceso de envo y recoleccin de las mediciones de inters se
tiene contaminacin por ruido, descomposicin de aparatos de medicin, cambios
topolgicos, etc. se utilizan tcnicas de deteccin e identificacin de mediciones errneas.

2.2.1 Deteccin de errores
Este problema se resuelve utilizando tcnicas estadsticas de prueba de hiptesis
sobre un ndice ( ) $ J x , en un intervalo de confianza tpico del 99%. Las pruebas estadsticas
se realizan al considerar que el ndice ( ) J x$ posee una distribucin (ji-cuadrada), ya que
los errores de medicin presentan una distribucin normal [24,13]. As, si el valor de

2
( ) $ J x
se encuentra fuera del intervalo de confianza, se manifiesta la presencia de datos
anormales, motivando el rechazo de alguna parte de la informacin capturada.

2.2.2 Identificacin de la fuente de error
Esta etapa tiene como objetivo identificar las mediciones anormales, recurriendo
para ello al anlisis del valor absoluto de los residuos de cantidades medidas menos
cantidades estimadas, normalizadas por su desviacin estndar. Los residuos tienen

Estimador de Mnimos Cuadrados Ponderados

20

una distribucion T (t-student) [24], que permite efectuar sobre ellos una prueba de
hiptesis. Sin embargo, se tiene como alternativa de identificacin la localizacin residual
normalizada de mayor valor, que corresponde a la medicin con mayor probabilidad de
error.
La Figura 2.1 esquematiza la operacin de un estimador en el SEP. Se presenta
como un sistema que recibe informacin, la procesa y genera resultados que validan la
informacin empleada para el establecimiento del estado del SEP.
MODELO
ESTIMACION
DETECTOR DE
ERRORES
ANORMALES
IDENTIFICADOR DE LA
FUENTE DE ERROR
SI
ACTUALIZACION DE
DATOS DEL ESTIMADOR
ACTUALIZA
MEDICIONES
NO

Fig. 2.1: Etapas fundamentales del Estimador de Estado

Se puede decir que despus de que la informacin fue procesada por el estimador, se
tiene una base de datos confiable que podr ser utilizada para tomar acciones de control.


2.3 Modelo de estimacin de estado por el mtodo de ecuaciones normales
Un acercamiento al sistema real requiere de modelos adecuados de los diversos
componentes. Como ya se mencion, cualquier variable, parmetro medido o calculado,
est sujeto a errores ( por ejemplo el error acumulado desde el punto de medicin hasta la
entrada a la computadora central ), lo cual hace que los valores verdaderos de las
cantidades fsicas nunca sean conocidas exctamente y se tengan que considerar formas de
calcular los mejores estimados posibles de esas cantidades. El mtodo de mnimos

Estimador de Mnimos Cuadrados Ponderados

21

cuadrados ponderados (WLS) por ecuaciones normales fu el primer mtodo utilizado
[13,14], para realizar el mejor ajuste de los datos medidos, con la minimizacin de la
suma ponderada de los cuadrados de los errores de medicin.
Considere que el modelo de los datos disponibles se puede expresar en funcin del
error acumulado como:
( ) z h (2.1) x = e +
Donde:
z : Vector que denota el conjunto de mediciones R
m
.
x : Vector de las variables de estado R
n
.
h : Relacin matemtica entre las variables medidas y las variables de estado R
m
.
e : Vector de errores acumulados, el cual es modelado como un vector aleatorio con media
cero es decir
( ) E e = 0
, R
n
.
Reordenando la ecuacin (2.1) se tiene:
( ) e z h x = (2.2)
Debido a que los valores de x no pueden calcularse exactamente, se deben estimar
lo mejor posible, de modo que:
( )
$ $
e z h x =
(2.3)
* las cantidades con sombrero indicarn cantidades estimadas.
La necesidad de detectar e identificar los errores nos lleva a la idea intuitiva de tener
redundancia de mediciones. Al tener ms ecuaciones (datos) que incgnitas no todos los
datos se pueden ajustar exactamente. Por lo que la estimacin del vector de estado x se
obtiene por medio de la minimizacin de la funcin cuadrtica,
( ) ( )
( )
( )
( )
J x z h x W z h x
t
=
1
(2.4)
Donde W
1
es un matriz diagonal

R
m m
, cuyos elementos son los factores de ponderacin
de las mediciones, es decir :

Estimador de Mnimos Cuadrados Ponderados

22

(
(
(
(
(
(
(
(
1
1
2
2
2
2
1
1
1
W
m

. . .
. .
. . .
. . .
O
.

*: Indica un valor cero
donde:

k
2
: es la varianza del error de la medicin respectiva.
Ahora, como ( ) x h es en general, una funcin no-lineal, esta puede ser linealizada
expandindose en una serie de Taylor como sigue:
( ) ( ) ( ) ( ) h x h x h x x x = +
0 0 0
(2.5)
Definindose los trminos de la ecuacin (2.5) como:
( ) ( ) H h x
h
x
H h x H
h
x
i j
i
j
=

= =

=

; ;
0 0 ,
(2.6)
( ) x x x z z h x = =
0 ;

0
(2.7)
Por lo que la expansin realizada puede reescribirse de la siguiente manera:
( ) ( ) h x h x H x = +
0 0
(2.8)
Sustituyendo los trminos definidos de (2.6) y (2.7) en (2.4) se tiene:
( ) ( ) ( ) J x z H x W z H x
t
=


0
1
0
(2.9)
La funcin ( ) J x ser minimizada, por lo que se diferenca con respecto a x , e iguala a cero:
( )
( )

J x
x
z H x W H
t
= =


0
1
0
0 (2.10)
Resolviendo (2.10) para se tiene: x
( ) x H W H H W
t t
=


0
1
0
1
0
1
(2.11)
por tanto x se corrige haciendo:
x x x
1 0
= + (2.12)
Debido a que el modelo ( ) x h es una aproximacin lineal del problema, la ecuacin (2.11)
se utiliza en un proceso iterativo cmo:

Estimador de Mnimos Cuadrados Ponderados

23

( )
( )
( )
x H W H H W z h x
k k
t
k k
t
k
=


1
1
1
(2.13)
donde ,
( ) W H
k
t
k
k
=
1
G H (2.14)
es conocida como matriz de ganancia.


2.4 Modelado y estructura de la matriz Jacobiana H [13,14]
La matriz H es en realidad un matriz Jacobiana, cuyos elementos son las primeras
derivadas de las funciones h con respecto a las variables de estado. Tienen por lo tanto una
estructura bastante similar al Jacobiano de flujos de potencia de Newton-Raphson. Sin
embargo, existen algunas diferencias, ya que H es rectangular en el problema de
estimacin de estado, debido a que en un sistema de N nodos se tiene la necesidad de
medir ms de 2 1 N variables de estado para aprovechar la redundancia y tener un mejor
efecto de filtrado[25] en los errores de medicin. Cuando se miden solamente 2 1 N
variables, el estimador de estado se reduce a un estudio de flujos convencional.
Enseguida, se analizan los elementos que componen H, que son producidos por
mediciones de flujo de potencia en lnea e inyecciones de potencia nodal.
2.4.1 Mediciones de flujo de potencia en lneas de transmisin
Estas mediciones son las ms abundantes y tiles en estimacin de estado.
Considere la lnea de transmisin de la figura 2.2.
S
I
k m
k m
z
mk
m
Y
k m
I
m k
Y
m k
Y V
k m k







k
V
k
V
m



Fig. 2.2: Circuito equivalente de un lnea de transmisin



Estimador de Mnimos Cuadrados Ponderados

24

Como se puede ver la potencia compleja S es funcin de los voltajes
km
V
k
y V
donde:
m
V V e
j
=


S P jQ = +
se tendrn derivadas parciales distintas de cero para las potencias P
k m ,
y Q con respecto a
cuatro variables reales V V
k m ,
k k m
, ,
m
y . Las derivadas con respecto a todos los dems
voltajes son igual a cero.
De la Figura 2.2 se pueden obtener las siguientes expresiones para la corriente que
va del nodo k m: al
i
V V
z
y V
km
k m
km
km k
=

+ (2.15)
La potencia compleja S es :
km
S P jQ V
V V
z
y V
km km km k
k m
km
km k
= + =

+
|
\

|
.
|


(2.16)
Considrense las siguientes definiciones:
V V e
j
=


z r jx = +
y
r jx
r x
g j = b

+
= +
2 2

= + y g jb
de estas definiciones se tiene:
V V V
k k k
=
2

( )
V V V e V e V V e
k m k
j
m
j
k m
j
k m k m
= =


( ) + V V j
k m k m k m
cos( ) sen( ) =
S
z
y V
V V
z
j
km
km
km k
k m
km
k m k m
= +

(


+

1
2
(cos( ) sen( ))
donde:
1
z
g jb
km
km km

=

Estimador de Mnimos Cuadrados Ponderados

25

= +

y g jb
km km km

Por lo que S finalmente es,
km
( ) ( ) ( )
( ) ( )
S g g j b b V
g jb j V
km km km km km k
km km k m k m k m
= + +
+
2
cos( ) sen( ) V
(2.17)
separando (2.17) en parte real e imaginaria resulta:
( ) ( ) P g g V g b V
km km km k km k m km k m k m
= + +
2
cos( ) sen( ) V (2.18)
( ) ( ) Q b b V g b V
km km km k km k m km k m k m
= + +
2
sen( ) cos( ) V (2.19)
Los elementos del Jacobiano H se obtienen de las derivadas parciales de (2.18) y
(2.19), con respecto a las cuatro variables V V
k k m
, ,
m
y . Para simplificar los trminos del
Jacobiano, las derivadas parciales con respecto a V se multiplican por V .
( )



P
H g b V
km
k
km k km k m km k m k m
= =
,
sen( ) cos( ) V
usando (2.19) se tiene:
( )


P
H Q b b
km
k
km k km km km k
= = +
,
2
V (2.20)
( ) ( )


P
V V
V
P
V
N
g g V g b V V
km
k k
k
km
k
km k
km km k km k m km k m k m
=
|
\

|
.
| =
= +
,
cos( ) sen( ) 2
2

y usando (2.18) se tiene:
( )

P
V V
N P g g
km
k k
km k km km km k
= = + +
,
2
V (2.21)
( )



P
H g b V
km
m
km k km k m km k m k m
= =
,
sen( ) cos( ) V
ahora de (2.19) y (2.20)
( )


P
H H Q b b
km
m
km m km k km km km k
= = = + +
, ,
2
V (2.22)
( ) V
P
V
N g b V
m
km
m
km m km k m km k m k m

|
\

|
.
|
|
= =


,
cos( ) sen( ) V

Estimador de Mnimos Cuadrados Ponderados

26

de (2.18).
( ) V
P
V
N P g g
m
km
m
km m km km km k
V
|
\

|
.
| = = +

,
2
(2.23)
En forma anloga, las derivadas parciales de Q con respecto a las cuatro variables de
estado resultan:
km
( )


Q
J P g g V N
km
k
km k km km km k km m
= = + =
, ,
'
2
(2.24)
( ) V
Q
V
L Q b b
k
km
k
km m km km km k
V
|
\

|
.
| = = +

,
2
(2.25)
( )


Q
J J P g g
km
m
km m km k km km km k
= = = + +
, ,
2
V (2.26)
( ) V
Q
V
L H Q b b
m
km
m
km m km m km km km k
V
|
\

|
.
| = = = +

, ,
2
(2.27)

2.4.2 Mediciones de inyecciones de potencia nodal
En la Figura 2.3 se muestra un modelo para un nodo y la ecuacin de inyeccin
de potencia.
k














Conjunto
k

V V e
k k
j
k
=

S P jQ
k k k
= +
bus m
bus j
S
mk
S
k i
S
k j
S P jQ
m k m
= +
k m k
z
k i
z
k j
z
k m
S
k

bus i
Fig. 2.3: Modelo de inyeccin de potencia compleja en el nodo k



Estimador de Mnimos Cuadrados Ponderados

27

Siendo S
k
funcin de V V
k m
y , m
k
, la matriz Jacobiana H tendr elementos
diferentes de cero para cada una de estas variables. Las derivadas parciales para estas
mediciones son ampliamente conocidas, puesto que son los elementos del problema de
flujos empleando el mtodo de Newton-Rapshon.
De la Figura (2.3) y las definiciones dadas, se tiene:
S P jQ Y V V Y V
k k k kk k k km m
m
k
= + = +


( ) ( ) = +

G jB V G jB V V
kk kk k km km k m k m k m
m
l
2
(cos( ) sen( ))

(2.28)
Donde Y
kk
y Y son los elementos de la matriz de admitancias nodales. De acuerdo a la
notacin establecida:
km
( ) Y G jB g b
km km km km km
= + = + (2.29)
( ) ( ) ( ) ( ) Y G jB g jb g g j b b
kk kk kk kk kk km km km km
m
k
= + = + + + + +

(2.30)
Donde g b
kk kk
y son admitancias a tierra en el nodo k , que no estn asociadas a alguna
lnea o transformador incidente en el nodo k . Separando la parte real e imaginaria de
(2.28), resulta:
( ) P G V G B V V
k kk k km k m km k m
m
k m
k
= + +

2
cos( ) sen( )

(2.31)
( ) Q B V G B V
k kk k km k m km k m
m
k m
V
k
= +

2
sen( ) cos( )

(2.32)
Diferenciando (2.31) y (2.32) con respecto a las variables de estado mencionado, se
obtienen las componentes del Jacobiano H correspondientes a las inyecciones. Despus
de ciertas simplificaciones se obtiene:


P
H Q B
k
k
k k k kk k
= =
,
2
V (2.33)
V
P
V
N P G V
k
k
k
k k k kk k

|
\

|
.
| = =

,
2
(2.34)
( )



P
H G B V
k
m
km km k m km k m k m
= =
,
sen( ) cos( ) V (2.35)

Estimador de Mnimos Cuadrados Ponderados

28

( ) V
P
V
N G B V
m
k
m
km km k m km k m k m
V
|
\

|
.
| = =

cos( ) sen( ) (2.36)


Q
J P G V
k
k
k k k kk k
= =
,
2
(2.37)
V
Q
V
L Q B V
k
k
k
kk k kk k

|
\

|
.
| = =

2
(2.38)
( )



Q
J G B V V
k
m
km km k m km k m k m km
= = = cos( ) sen( ) N (2.39)
( ) V
Q
V
L G B V V H
m
k
m
km km k m km k m k m km

|
\

|
.
| = = =

sen( ) cos( ) (2.40)



2.4.3 Mediciones de magnitudes de voltaje nodal
Existe una correspondencia uno a uno entre las mediciones de voltaje nodal y la
magnitud de voltaje a estimar. La fila de la matriz Jacobiana H para una medicin de
voltaje tiene un uno en la columna correspondiente al nodo y ceros en todas las otras
posiciones. Estas mediciones no dan informacin alguna acerca de la estructura del sistema.
Las derivadas parciales para este tipo de mediciones son triviales ya que:

V
V
k
k
= 1 ;

V
V
k
k
m
= 0 , m ;


V
m
k
k
= 0 ,
dado que la formulacin de las variables de voltaje que se usan son
V
V
k
k
, los coeficientes
son:
V
V
V
V
k
k
k
k

|
\

|
.
| =

(2.41)

2.4.4 Estructura de la matriz Jacobiana H [14,25]
Los ngulos de fase ( ) de los voltajes nodales ( V ), no pueden medirse
fcilmente, aunque las magnitudes si son constantemente monitoriadas. Normalmente se
selecciona un ngulo nodal como referencia para los otros ngulos, por lo que se tendrn

Estimador de Mnimos Cuadrados Ponderados

29

N 1 ngulos y N magnitudes de voltajes calculados por la ecuacin (2.11). Si se miden
V P , Q
i i
,
i ,
en cada nodo, y se miden los flujos en cada lnea, el
conjunto de mediciones esta completo, y
P P Q Q
i j j i i j j i , , .
, , ,
H tiene dimensiones de ( ) Nm N B = + 3 4
renglones y 2 1 N variables de estado asociadas a las columnas, es el nmero de
mediciones y
Nm
B es igual al nmero de lneas del sistema. La relacin entre renglones y
columnas se llama factor de redundancia global y es igual a
Nm
N 2
Nm 2 1
1
. En la prctica el
factor puede ser pequeo (1.1 y 3) [26]. Cuando = N , no existe redundancia ya
que H es cuadrada y la matriz W no tiene efecto, resultando un problema de flujos
convencionales. As que se necesita un adecuado nmero de mediciones, colocadas en
puntos estratgicos del sistema, para garantizar un buen estimado, y un Jacobiano
rectangular, necesario para la estimacin de estado. Cuando el conjunto de mediciones esta
completa,
1
H tiene la siguiente estructura:


















Estimador de Mnimos Cuadrados Ponderados

30

2

N
H
P
V
P
V
P P
P
V
P
V
P P
Q
V
Q
V
Q Q
Q
V
Q
V
Q Q
P
V
P
V
P P
P
V
P
V
N
N
N N
N
N N
N
N
N
N N N
N
km
k
km
m
km
k
km
m
mk
k
mk
m
=









1 0
1 0
1 0
1
1
1 1
2
1
1
2
1
1
1 1
2
1
1 1
2





P P
Q
V
Q
V
Q Q
Q
V
Q
V
Q Q
mk
k
mk
m
km
k
km
m
km
k
km
m
mk
k
mk
m
mk
k
mk
m

(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(

V
N
V
1

N magnitudes de voltaje V
k

B Q
km
flujos de linea
B P
mk
flujos de linea
B P
km
flujos de linea
N Q
k
inyecciones de bus
N P
k
inyecciones de bus
B Q
mk
flujos de linea
N N 1

Note que H tiene una columna para V
1
, pero no para
1
, debido a que ste ngulo
se considera como referencia angular.

2.5 Deteccin e identificacin de datos errneos

Estimador de Mnimos Cuadrados Ponderados

31

Una caracterstica importante que todo estimador de estado debe poseer es la
capacidad de evitar soluciones no aceptables. Para poder lograrlo se requiere una
redundancia adecuada de mediciones y un modelado adecuado de los errores de medicin.
Los errores de medicin pueden surgir por varias razones, por ejemplo:
1.- Mediciones ( errores de medicin , ruido en las comunicaciones).
2.- Parmetros (incertidumbre en los parmetros).
3..- Datos falsos (errores inesperadamente grandes de medidores y comunicacin).

Para detectar la presencia de mediciones errneas, se emplea la nocin intuitiva de
que el residual (2.4), calculado despus de que el algoritmo de estimacin converge, ser
ms pequeo si no hay errores sustanciales presentes en las mediciones; en cambio ser
mayor en presencia de los mismos.
La solucin del problema se resuelve probando la validez estadstica de los
resultados entregados por el estimador, por medio de una prueba de hiptesis. As que el
modelo de las mediciones se puede escribir de la siguiente manera:
z H x
t
e = + (2.42)
donde,
z es el vector de cantidades medidas
: es el vector valores verdaderos de las variables de estado
: es el vector de ruido aleatorio en las mediciones
:
x
e
t

Bajo la hiptesis de que el ruido de mediciones es una variable aleatoria
gausiana, independiente y normalmente distribuida, presenta las siguientes propiedades:
( )
( )
E e
E e e W
t
=
=
0
(2.43)

donde:
W es una matriz diagonal : , cuyos elementos son la varianza de lo errores de medicin

2.5.1 Valor esperado de z z .
m
y $
El valor esperado de la ecuacin (2.42) es :

Estimador de Mnimos Cuadrados Ponderados

32

( ) ( ) E z H x E e
t
= +
donde:
H x z
t t
= es el vector de valores verdaderos de las cantidades medidas.
El valor calculado de las cantidades medidas esta dado por:
$ $ z H x = (2.44)
Tomando el valor esperado en ambos lados de (2.44), el valor esperado de $ z puede
expresarse como:
( ) ( ) E z H E x $ $ =
Ahora utilizando la teora de mnimos cuadrados se tiene que:
( ) $ x H W H H W z
t t
m
=


1
1
1
(2.45)
por tanto
( ) ( ) ( ) E x H W H H W E z x
t t
m t
$ = =


1
1
1

por lo que se puede decir que:
( ) E z H x z
t t
$ = =
concluyendo que $ z es un estimado insesgado de z
t
.

2.5.2 Varianza y esperanza de $ x
De la ecuacin (2.45) se define
( ) C H W H H W
t t
=


1
1
1
(2.46)
La cual se define como una matriz de covarianza, que puede calcularse teniendo el
valor esperado del producto de cada uno de los parmetros desconocidos. Por tanto de
(2.45) se tiene:
( ) $ x C H x e x C = + = + e
$ x x C e =
por tanto:
( ) ( )
{ }
( ) ( )
{ }
E x x x x E C e C e
t t
$ $ =
( ) C E e e C
t
= (2.47)
t

Estimador de Mnimos Cuadrados Ponderados

33

Despus de sustituir ( e
t
) E e de (2.43) en la ecuacin (2.47) y simplificar resulta,
( ) ( )
{ }
( )
E x x x x H W H G
t
t
$ $ = =


1
1
1
(2.48)
que es conocida como la matriz de ganancia o matriz de covarianza, donde sus elementos
diagonales representan las varianzas de los errores entre los estados estimado y verdadero.

2.5.3 Varianza y esperanza de $ z .
Desarrollando los mismos clculos para $ z se tiene:
( ) $ $ z z H x x = e (2.49)
similarmente:
( ) ( )
{ }
( ) ( ) ( ) ( )
{ }
E z z z z E H x x e H x x e
m m
t t
$ $ $ $ =
expandiendo,
( ) ( ) ( ) ( )
{ }
+ E H x x x x H H x x e e x x H e e
t
t t
t
t t
$ $ $ $ =
y simplificando se tiene finalmente que:
( ) ( )
{ }
E z z z z W H G H
m m
t
t
$ $ =
1
(2.50)
es una matriz covarianza.
De los resultados obtenidos hasta ahora, puede decirse que la solucin de la
estimacin es aceptada, si es alta la probabilidad de que los valores calculados estn ms
cerca de los valores verdaderos que los valores medidos.



2.5.4 Deteccin del error [26]
Para la deteccin de datos errneos se utiliza una tcnica estadstica llamada
(ji-cuadrada), la cual consiste en probar si:

2
k ,
J x k ( $) , >
2
(2.51)

Estimador de Mnimos Cuadrados Ponderados

34

indicando que si se cumple (2.51), existen errores anormales en las mediciones.
, indica los grados de libertad, obtenidos de la diferencia del nmero de
mediciones ( ) y el nmero de variables de estado (
k Nm N = ( )
Nm N ); el valor de indica la
probabilidad de falsa alarma .
La teora estadstica demuestra [24] que la suma ponderada de cuadrados J x ( $) de
la ecuacin (2.4) tiene una distribucin , la cual es muy cercana a una distribucin
estndar gausiana cuando , lo cual es frecuente en aplicaciones de sistemas de
potencia. La figura 2.4 muestra la funcin de densidad de probabilidad de , para un
valor representativo de . Como es usual el rea total dentro de la curva es igual a 1, pero
no esta simtricamente distribuida. El rea derecha de la curva en la Figura 2.4 es
igual a

2
k ,
k > 30

2
k ,
k

2
k ,
, que representa la probabilidad de que J x ( $) exceda el valor de . El rea
restante es la probabilidad

2
k ,
( ) 1 de que el valor calculado de la suma de cuadrados
ponderados J x ( $) , con grados de libertad , tomen valores menores que ; esto es k
2
k ,
( ) ( ) ( ) P J x
r
k
$
, < =
2
1 (2.52)

( ) P k
2
para grados de libertad
Area
( ) 1


2
k ,
Fig. 2.4: Funcin de densidad de probabilidad de
2
k ,

Basado en la ecuacin (2.53), el valor crtico estadstico de J x ( $) puede ser
determinado usando los valores tabulados de , presentados en tablas [24].
2
k ,

2.5.5 Identificacin de las mediciones errneas [26]

Estimador de Mnimos Cuadrados Ponderados

35

Si se detectan errores de medicin y se decide que la estimacin $ x no es
satisfactoria, es necesario repetir el proceso de estimacin eliminando las mediciones
errneas .
La identificacin de una medicin errnea ( ) no es inmediata, ya que el residuo
correspondiente a sta, no es necesariamente el mayor de todos los residuos. Por ello es
necesario analizar los residuos normalizados:
j
r
j
r
r
R
i
N
i
i i
m
=

=
,
, ,..., 1 2 N ( 2.53 )
donde es el elemento diagonal correspondiente en la matriz de sensitividad residual
(2.50). El mayor de los residuos normalizados corresponde, con alta probabilidad, a la
medicin con error.
R
i i ,
Antes de suprimir la medicin correspondiente al mayor residuo normalizado, es
necesaria una segunda prueba estadstica para poder afirmar que la medicin es
efectivamente errnea. Los residuos r tienen una distribucin t-student [24] con
grados de libertad. La aceptacin rechazo de la hiptesis se obtiene comparando el valor
de con el valor terico de la distribucin con grados de libertad para una
probabilidad especificada
N
k
r
N
t k
, esto es:
r t
N k
<
,
(2.54 )
Los residuos con un valor que excede el valor terico de la distribucin, son
candidatos a que la observacin correspondiente tenga un error fuera del rango modelado.
Cuando se tiene varios errores simultneos, las observaciones con los ms altos,
son las mediciones ms probables que tengan error; sin embargo, solo se recomienda
identificar un error a la vez por razones de observabilidad [26,27], y por que no se sabe
inicialmente cuantas mediciones tienen error.
r
N

Estimador de Mnimos Cuadrados Ponderados

36

2.6 Ejemplo de aplicacin
En el siguiente ejemplo se consideran 12 mediciones en por unidad (p.u) sobre el
sistema elctrico[28] de la Figura 2.5, tomadas en un determinado instante de tiempo. En
una de las mediciones se provoca un error grande, alterando su magnitud real, para poder
comprobar la bondad de los mtodos de estimacin, deteccin e identificacin.
G
G
2
I
I
F
3 1
5
4
V
I V
F

Fig. 2.5: Sistema de 5 nodos
F: es flujo real y reactivo en lneas, I: es inyeccin real y reactiva, V: es magnitud de voltaje

Los valores de las mediciones con error aleatorio incluido son:
z P
1 2
0 200 = = . z Q
2 2
0 2013 = = . z P
3 3
0 45 = = . z Q
4 3
0150 = = .
z P
5 5
0 600 = = . z Q
6 5
1500 = = . z P
7 1 3
0 4072 = =

. z Q
8 1 3
0 0114 = =

.
z P
9 5 4
0 0633 = =

. z Q
10 5 4
0 0283 = =

. z V
11 4
100236 = = . z V
12 5
10180 = = .
Estos valores son la suma de los resultados entregados por un estudio de flujos y los errores
aleatorios que asumen una distribucin gausiana con media cero.
Las varianzas de los errores de medicin se especifican en los siguientes valores:

1
2 2
0 01 = . para inyecciones real y reactiva.

1
2 2
0 008 = . para flujos real y reactivo.

1
2 2
0 004 = . para magnitud de voltajes.
Antes de iniciar el clculo iterativo de estimacin de estado por el mtodo de
mnimos cuadrados ponderados, se verificar si el sistema es observable mediante el
mtodo de obsevabilidad de F.Wu [30,31], que se analizar con detalle en el captulo 4. Las

Estimador de Mnimos Cuadrados Ponderados

37

mediciones consideradas son las inyecciones y los flujos reales. Inicialmente se construye
la matriz de incidencia del sistema con las mediciones de inters.
H
inc.
.
. .
. .
. . .
=


(
(
(
(
(
(
1 4 1 1 1
1 1 3 1 0 0
0 0 1 0 0 1 2
1 0 0 1 0 0 0 0
0 0 0 0 0 0 1 1
.


Se calcula la matriz de ganancia dada en la ecuacin (2.14),
G
0
3 3 3 2 1
3 18 7 2 6
3 7 11 2 1
2 2 2 4 2
1 6 1 2 6
=




(
(
(
(
(
(

despus se diagonaliza esta matriz obtenindose:
G
T 0
1 1 1 0 667 0 333
0 0 1 0 667 0 0 0 333
0 0 0 0 10 0 0 1
0 0 0 0 0 0 1 1
0 0 0 0 0 0 0 0 0 0
,
. .
. . . .
. . . .
. . .
. . . . .
=

(
(
(
(
(
(

Como se puede ver en la matriz diagonalizada solo se encuentra un cero en la
diagonal, lo que indica que el sistema es observable.
G
T 0,
Despus de verificar que el sistema es observable se inicia la solucin, usando los
siguientes valores de arranque para las variables de estado (se toma
1
como ngulo de
referencia)
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )

2
0
3
0
4
0
5
0
1
0
2
0
3
0
4
0
5
0
0 0 101 = = = = = = = = = . . y V V V V V
Sustituyendo estos valores numricos en las expresiones dadas en (2.18, 2.19, 2.31,
2.32, 2.41) y calculando los errores de las mediciones se tiene en la primera iteracin:
( ) ( )
e z P
1
0
1 2
0
0 2000 0 0 0 200 = = = . . .
( ) ( )
( ) e z Q
2
0
2 2
0
0 2013 0 0867 0 2888 = = = . . .
( ) ( )
e z P
3
0
3 3
0
0 4500 0 0 0 4500 = = = . . .
( ) ( )
( ) e z Q
4
0
4 3
0
01500 0 0561 0 0939 = = = . . .
( ) ( )
e z P
5
0
5 5
0
0 600 0 0 0 600 = = = . . .
( ) ( )
( ) e z Q
6
0
6 5
0
15000 0 408 15408 = = = . . .
( ) ( )
e z P
7
0
7 1 3
0
0 4072 0 0 0 04072 = = =

. . .
( ) ( )
( ) e z Q
8
0
8 1 3
0
0 0 1 1 4 0 0 2 5 5 0 0 3 6 9 = = =

. . .


Estimador de Mnimos Cuadrados Ponderados

38

( ) ( )
e z P
9
0
9 5 4
0
0 0633 0 0 0 0630 = = =

. . .
( ) ( )
( ) e z Q
10
0
10 5 4
0
0 0283 0 0255 0 0028 = = =

. . .
( )
( )
e z V
11
0
11 4
0
= = = 1.0236 1.01 0.136
( )
( )
e z V
12
0
12 5
0
10180 101 0 0080 = = = . . .

La matriz Jacobiana es:
( )
H
P
V
P
V
P
V
P
V
P
V
P P P P
Q
V
Q
V
Q
V
Q
V
Q
V
Q Q Q Q
P
V
P
V
P
V
P
V
P P P
Q
V
Q
V
Q
V
Q
V
0
2
1
2
2
2
3
2
4
2
5
2
2
2
3
2
4
2
5
2
1
2
2
2
3
2
4
2
5
2
2
2
3
2
4
2
5
3
1
3
2
3
3
3
4
3
2
3
2
3
2
3
1
3
2
3
3
3
4
=


* *
*
Q Q Q
P
V
P
V
P
V
P P
Q
V
Q
V
Q
V
Q Q
P
V
P
V
P
Q
V
Q
V
Q
P
V
P
V
P
3
2
3
3
3
4
5
2
5
4
5
5
5
2
5
4
5
5
5
2
5
4
5
5
5
2
5
4
5
5
1 3
1
1 3
3
1 3
3
1 3
1
1 3
3
1 3
3
5 4
4
5 4
5
5





*
* * *
* * *
* * * * *
* * * * *
* * * * *



P
Q
*
*
4
4
5 4
5
5 4
4
5 4
5
5 4
4
5 4
5
4
4
5
5


P
Q
V
Q
V
Q Q
V
V
V
V

(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
* * * * *
* * * * * * * *
* * * * * * * *
*

donde: * indica ceros






Estimador de Mnimos Cuadrados Ponderados

39

Evaluando las derivadas parciales en sus respectivos valores numricos se tiene:
( )
H
0
5100 11051 1700 1700 2 550 33153 5100 5100 7 650
15301 32 979 5100 5100 7 650 11051 1704 1700 2 550
1275 1700 13176 10 201 0 0 5100 39 528 30 603 0 0
3825 5100 39 416 30 603 0 0 1700 13176 10 201 0 0
0 0 2 550 0 0 1275 3825 7 650 0 0 3825 11476
0 0 7 650 0 0
=




. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . .



3821 11394 2 550 0 0 1275 3825
1275 0 0 1275 0 0 0 0 0 0 3825 0 0 0 0
3774 0 0 3825 0 0 0 0 0 0 1275 0 0 0 0
0 0 0 0 0 0 1275 1275 0 0 0 0 3825 3825
0 0 0 0 0 0 3825 3774 0 0 0 0 1275 1275
0 0 0 0 0 0 1010 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1010
. . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . 0 0 0 0 0 0 0 0 . . . .

(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(


Calculando la matriz de ganancia para la primera iteracin
se tiene :
( ) ( )
( )
( )
G H W H
t
0 0 1 0
=

( )
G
0
0 301 0539 0106 0 216 0130 0 000 0 0001 0 000 0 0
0539 1303 0 414 0 019 0 377 0 001 0 0003 0 0003 0 0004
0106 0 410 1781 1311 0 043 0 0002 0 001 0 001 0 000
0 216 0 019 1311 1777 0 030 0 000 0 000 0 000 0 000
0130 0 377 0 043 0 030 0 240 0 0002 0 000 0 0002 0 0004
0 000 0 001 0 0002 0 000 0
=




. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . .0002 1315 0 417 0 018 0 379
0 0001 0 0003 0 001 0 000 0 000 0 411 1790 1315 0 043
0 000 0 0003 0 001 0 000 0 0002 0 018 1315 1111 0 030
0 0 0 0004 0 000 0 000 0 0004 0 379 0 043 0 030 0 236
10
7
. . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .



(
(
(
(
(
(
(
(
(
(
(
(

+

Los valores estimados para las variables de estado en la primera iteracin son :

( ) ( ) ( )
( )
( )
( )
( )
x x G H W e
t
1 0 0
1
0 1 0
= +



( )
( ) x
1
1
1010 0 0582 0 9513 = + = . . .
( )
( ) x
2
1
1010 0 0193 0 9905 = + = . . .
( )
( ) x
3
1
1010 0 0449 0 9646 = + = . . .
( )
( ) x
4
1
1010 0 0389 0 9707 = + = . . .
( )
( ) x
5
1
1010 0 0563 10668 = + = . . .
( )
( ) x
6
1
0 0 0 0695 0 0695 = + = . . .

Estimador de Mnimos Cuadrados Ponderados

40

( )
( ) x
7
1
0 0 010885 01088 = + = . . .
( )
( ) x
8
1
0 0 01171 01171 = + = . . .
( )
( ) x
9
1
0 0 01658 01658 = + = . . .

Estos valores estimados, actuarn como datos de entrada para la segunda iteracin y
as sucesivamente se continua el clculo, hasta alcanzar la convergencia de acuerdo con la
tolerancia establecida. En este caso 4 iteraciones fueron suficientes para encontrar la
convergencia y los valores obtenidos para las variables de estado fueron los siguientes. Las
magnitudes de voltaje en los nodos respectivos son:
V V V V V
1 2 3 4 5
0 9366 0 9778 0 9617 0 9727 10548 = = = = = . . . . , , , , .
.
o

los ngulos en grados son:

1 2 3 4 5
0 0 50721 7 9565 8 6563 10 9853 = = = = = . . . .
o o o o
, , , ,
Los errores estimados correspondientes de las mediciones son:
( ) ( )
e z P
1
4
1 2
4
0 2000 0 2005 0 0005 = = = . . .
( ) ( )
e z Q
2
4
2 2
4
0 2013 01322 0 0691 = = = . . .
( ) ( )
( ) e z P
3
4
3 3
4
0 4500 0 4498 0 0002 = = = . . .
( ) ( )
( ) e z Q
4
4
4 3
4
0150 01956 0 045 = = = . . .
( ) ( )
( ) e z P
5
4
5 5
4
0 600 0 6268 0 0268 = = = . . .
( ) ( )
e z Q
6
4
6 5
4
15000 12512 0 2488 = = = . . .
( ) ( )
e z P
7
4
7 1 3
4
0 4072 0 4481 0 0409 = = =

. . .
( ) ( )
( ) e z Q
8
4
8 1 3
4
0 0114 0 2321 0 2435 = = =

. . .
( ) ( )
( ) e z P
9
4
9 5 4
4
0 0633 0 0473 0 0157 = = =

. . .
( ) ( )
e z Q
10
4
10 5 4
4
0 0283 0 3528 0 3811 = = =

. . .
( )
( )
e z V
11
4
11 4
4
0 9727 0 0506 = = = 1.0236 . .
( )
( )
e z V
12
4
12 5
4
10180 10548 0 0372 = = = . . .

Despus de que el mtodo converge se evalan los resultados obtenidos mediante
la prueba estadstica ji cuadrada ( )
2
, la cual determina si existen errores grandes en las
mediciones. Para esta prueba se utilizan los ltimos errores estimados de las mediciones.
Se usa un 99% de confianza para satisfacer que ( ) J x k
$
,
2
, donde k son los grados de
libertad y es el porciento de confianza. En este caso se encontr en una tabla de
2
que
para 2 grados de libertad y 99% de confianza su valor es
2
2 0
9 21 . =
01 , .
. Por tanto
calculando la suma ponderada de los errores al cuadrado se tiene :

Estimador de Mnimos Cuadrados Ponderados

41

( ) J x
e
j
j
j
NM
$
$
$
.
.
.
.
.
.
.
.
=
|
\

|
.
|
|
=
|
\

|
.
|
+
|
\

|
.
|
+
|
\

|
.
|
+
|
\

|
.
|
=


2
2
1
2 2
0 0005
0 01
0 0691
0 01
0 0002
0 01
0 0456
0 01
2
+
|
\

|
.
|
+
|
\

|
.
|
+
|
\

|
.
|
+
|
\

|
.
|
0 0268
0 01
0 2488
0 01
0 0409
0 008
0 2435
0 008
2 2 2
.
.
.
.
.
..
.
.
2

+
|
\

|
.
|
+
|
\

|
.
|
+
|
\

|
.
|
+
|
\

|
.
|
=
+
0 0157
0 008
0 3811
0 008
0 0506
0 004
0 0372
0 004
41675 10
2 2 2 2
3
.
.
.
.
.
.
.
.
.
Como se puede ver el valor calculado de ( ) J x$ es excesivo comparado con el valor
encontrado para la
2
, lo cual indica la presencia de datos anormales. Por consecuencia
no se pueden aceptar los valores calculados para las variables de estado, y se tendr que
utilizar otra prueba estadstica para identificar la medicin con error. Esta prueba es la
llamada t-student, la cual se efecta de la siguiente manera.
Primero se determinan los elementos diagonales de la matriz de covarianza (2.50)
=

R I H G H W
t 1 1
, con los ltimos estimados.
=











R
0 013
0 011
0 003
0 005
0182
0147
0100
0144
0 418
0 406
0 074
0802
.
.
.
.
.
.
.
.
.
.
.
.

(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(


10
4


De esta matriz de covarianza solo se consideran los elementos diagonales para el
clculo del error estandarizado , por tanto:
r
r
R
j N
N
j
ii
=

= , donde hasta 1 m
r r r
1
4
2
4
3
4
0 0005
0 0133 10
0 4661
0 0691
0 0115 10
64 4139
0 0002
0 0037 10
0 3660 =

= =

= =

=

.
.
.
.
.
.
.
.
. , ,


r r r
4
4
5
4
6
4
0 0546
0 0050 10
64 4009
0 286
01826 10
6 2794
0 2488
01476 10
64 7423 =

= =

= =

=

.
.
.
.
.
.
.
.
. , ,



Estimador de Mnimos Cuadrados Ponderados

42

r r r
7
4
8
4
9
4
0 0409
01009 10
12 8822
0 24351
01443 10
641049
0 01571
0 4186 10
2 4261 =

= =

= =

=

.
.
.
.
.
.
.
.
. , ,


r r r
10
4
11
4
12
4
0 3811
0 4066 10
59 7701
0 05061
0 0740 10
18 6083
0 03722
0802 10
131236 =

= =

= =

=

.
.
.
.
.
.
.
.
. , ,

)
.


Note que los errores estandarizados estn asociados con las mediciones ( . Por lo
que al seleccionar el error estandarizado ms grande, se identifica adecuadamente la
medicin errnea. En este caso fue la medicin 6 con valor de 64.7423 que corresponde a
la medicin Q . Ya identificada la medicin errnea se procede a eliminarla tanto en su
parte real como imaginaria, por lo que sern eliminadas las mediciones 5 y 6.
z
i
5
Tras haber eliminado las mediciones mencionadas, se vuelve a verificar si el
sistema an es observable sin estas mediciones. Nuevamente se vuelve a construir la matriz
de incidencia:
H
inc
=

(
(
(
(
(
(
1 4 1 1 1
1 1 3 1 0 0
1 0 0 1 0 0 0 0
0 0 0 0 0 0 1 1
0 0 0 0 0 0 0 0 0 0
.
. .
. . .
. . . . .

y la matriz de ganancia diagonalizada indica nuevamente que el sistema es observable.

G
T 0
1 1 1 0 667 0 333
0 0 1 0 7143 0 0714 0 2143
0 0 0 0 1 08333 01667
0 0 0 0 0 0 1 1
0 0 0 0 0 0 0 0 0 0
,
. .
. . . .
. . . .
. . .
. . . . .
=

(
(
(
(
(
(


Al confirmarse que el sistema es observable el estimador vuelve a iterar, resultando
su convergencia en 3 iteraciones con la siguiente matriz jacobiana:

Estimador de Mnimos Cuadrados Ponderados

43

H =




6 362 12 07 1581 1549 2195 35369 5429 5434 8139


16 365 35773 5429 54349 8139 11688 1581 1549 2195
1707 1992 13100 10 301 0 0 5292 40 743 31512 0 0
3937 5292 40 443 31512 0 0 1992 14 000 10 301 0 0
1812 0 0 0 997 0 0 0 0 0 0 4174 0 0 0 0
4197 0 0 4174 0 0
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . 0 0 0 0 0 997 0 0 0 0
0 0 0 0 0 0 1358 1232 0 0 0 0 3888 3888
0 0 0 0 0 0 3888 3831 0 0 0 0 1358 1358
0 0 0 0 0 0 1023 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1018 0 0 0 0 0 0 0 0
. . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .

(
(
(
(
(
(
(
(
(
(
(
(
(
(


La nueva matriz de ganancia es:
G =




0 359 0 638 0112 0 240 0147 0 032 0 011 0 022 0 015


0 638 1457 0 453 0 025 0 317 0 009 0 016 0 002 0 019
0112 0 457 1868 1377 0 047 0 018 0 032 0 002 0 001
0 240 0 025 1377 1164 0 021 0 0005 0 021 0 004 0 0007
0147 0 317 0 047 0 021 0102 0 017 0 001 0 000 0 0006
0 032 0 009 0 018 0 0005
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . 0 017 1419 0 454 0 000 0 313
0 011 0 016 0 032 0 021 0 001 0 454 1916 0 023 0 047
0 022 0 002 0 004 0 000 0 000 0 023 1396 1157 0 021
0 015 0 019 0 001 0 0007 0 0006 0 313 0 047 0 021 0 097
10
7
. . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .



(
(
(
(
(
(
(
(
(
(
(
(

+

El valor de las variables de estado es:
( )
( )
x
1
3 4
10610 0 9043 10 10600 = + =

. . .
( )
( )
x
2
3 4
10476 0 6243 10 10475 = + =

. . .
( )
( )
x
3
3 4
10242 0 2130 10 10242 = + =

. . .
( )
( )
x
4
3 4
10236 0 0008 10 10236 = + =

. . .
( )
( )
x
5
3 4
10180 0 0008 10 10180 = + =

. . .
( )
( )
x
6
3 4
0 0490 05072 10 0 0489 = + =

. . .
( )
( )
x
7
3 4
0 0873 05856 10 0 0872 = + =

. . .
( )
( )
x
8
3 4
0 0931 05754 10 0 0930 = + =

. . .
( )
( )
x
9
3 4
01074 05754 10 01073 = + =

. . .

Los errores de las mediciones estimados:

Estimador de Mnimos Cuadrados Ponderados

44

( ) ( )
$ . . . e z P
1
3
1 2
3 3
0 2000 01995 05494 10 = = =


( ) ( )
$ . . . e z Q
2
3
2 2
3 3
0 2013 0 2022 0 9222 10 = = =


( ) ( )
( )
$ . . . e z P
3
3
3 3
3 3
0 4500 0 4503 0 3032 10 = = =


( ) ( )
( )
$ . . . e z Q
4
3
4 3
3 3
01500 01497 0 3035 10 = = =


( ) ( )
$ . . . e z P
5
3
5 1 3
3 3
0 4072 0 40723 0 3571 10 = = =



( ) ( )
$ . . . e z Q
6
3
6 1 3
3 3
0 0114 01160 0 2323 10 = = =



( ) ( )
( )
$ . . . e z P
7
3
7 5 4
3 3
0 0633 0 6030 0 0032 10 = = =



( ) ( )
( )
$ . . . e z Q
8
3
8 5 4
3 3
0 02036 0 0283 0 0090 10 = = =



( )
( )
$ . . . e z V
9
3
9 4
3
3
10236 10236 0 00032 10 = = =


( )
( )
$ . . . e z V
10
3
10 1
3
3
10180 10180 0 00025 10 = = =



De nueva cuenta se realiza la prueba , pero debido a que se eliminaron las
mediciones 5 y 6, la redundancia y los grados de libertad se vern afectadas, con una
reduccin en sus valores, por lo que el nuevo valor para

2
1 0 01
6 64
, .
. = .
( ) J x
e
j
j
j
NM
$
$
$
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
=
|
\

|
.
|
|
=

|
\

|
.
| +

|
\

|
.
| +

|
\

|
.
| +

|
\

|
.
|
+

|
\

|
.
| +

|
\

|
.
| +

|
\

|
.
| +

|
\


2
3
2
1
3
2
3
2
3
2
3
2
3
2
3
2
3
05494 10
0 01
0 9222 10
0 01
0 3032 10
0 01
0 3035 10
0 01
0 3871 10
0 008
0 2323 10
0 008
0 0032 10
0 008
0 0090 10
0 008

.
|
+

|
\

|
.
| +

|
\

|
.
| =

2
3
2
3
2
0 0089 10
0 004
0 0087 10
0 004
01666
.
.
.
.
.

Se puede observar que el valor obtenido es mucho menor que el de , por
tanto se pueden aceptar los valores estimados con un 99% de confiabilidad, de que los
estimados sean satisfactorios, comparados con los valores exactos proporcionados por un
estudio de flujos.

2
1 0 01 , .
CAPITULO III


ESTIMADOR MEDIANTE MNIMOS VALORES
ABSOLUTOS PONDERADOS (WLAV) USANDO
PROGRAMACIN LINEAL (PL)

3.1 Introduccin
Tradicionalmente el problema de estimacin de estado en los SEP ha sido resuelto
por el mtodo de mnimos cuadrados ponderados (WLS) para encontrar la mejor solucin a
un conjunto de ecuaciones sobredeterminadas. Numerosos trabajos describen la aplicacin
de este mtodo, as como aspectos de modelado, observabilidad, anlisis de error,
deteccin e identificacin de datos errneos y eficiencia computacional [13,29-34]. En
paralelo a estos desarrollos se han realizado algunos trabajos intentando mejorar la robustez
del estimador, mediante el uso de mtodos que resuelven una funcin no cuadrtica
[35]. Recientemente se ha propuesto el estimador WLAV [36-38] para resolver el problema
de estimacin de estado, siendo su principal atractivo la propiedad de rechazo de
mediciones errneas durante el proceso de estimacin, sin requerir en la mayora de los
casos de algn mtodo de deteccin e identificacin. Esta propiedad, sin embargo, no
siempre se cumple; ya que el estimador WLAV presenta cierta sensibilidad a los llamados
puntos de apalancamiento[39], haciendo necesario el uso de algn identificador en tales
circunstancias.
El problema WLAV primero se resolvi usando la formulacin estndar de PL
[36,40,41], despus se utilizaron mtodos especializados de PL [37,39,42-44]; todos estos
mtodos estuvieron basados en el mtodo simplex [45-47]. Ms recientemente se ha
empleado un mtodo alternativo, para resolver el problema de PL. El mtodo es el de
puntos interiores [46,48,49], que ha sido aplicado en sus dos formulaciones, funcin de
Barrier [49] y affine-scaling [49]. Sin embargo en ese trabajo se hizo una aplicacin

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

46

directa de un mtodo de puntos interiores al problema de estimacin de estado no-lineal.
Adems, slo presentaron resultados en trminos computacionales y no en cuanto al
desempeo con mltiples errores, baja redundancia, etc. En este trabajo se propone el
empleo de una versin linealizada del mtodo dual de affine-scaling [50], que conlleva un
menor esfuerzo computacional, y a un comportamiento robusto del estimador ante
mltiples errores, baja redundancia y puntos de apalancamiento.

3.2 Aproximacin lineal del mtodo WLAV
El problema general de aproximacin lineal puede resumirse de la siguiente manera.
Considere un conjunto de m vectores, { } v
m
=
1
,..., V v , donde cada v es un vector
i
R
m
.
Sean y ( ) z v ( )
j
v , , valores reales de funciones definidas sobre V . La funcin
representa una funcin que se aproximar por una combinacin lineal de las funciones
j = 1,. n ..,
( ) z v
( )
j
v , por tanto:
( ) ( L A v a v
j j
j
n
, =
=


1
)
}
m
(3.1)
Donde representa un conjunto de nmeros reales. En el problema de
estimacin de estado, ,
{ A a a
n
=
1
,...,
( ) z v
i
i = 1,..., representa las mediciones y son funciones
cuyos coeficientes se habrn de determinar. El problema es encontrar el conjunto de
coeficientes , que resultan dar la mejor aproximacin
( )
j i
v
A ( ) L A v , para . Los valores del
conjunto dependern del criterio usado para realizar el mejor ajuste.
( ) z v
A
Un criterio general que se usa para la mejor aproximacin ( ) L A v , para es, ( ) z v
( ) ( ) ( ) J A z v L A v
p i i
i
m
p p
=

,
1
1
(3.2)
( ) =

r A v
i
i
m
p p
,
1
1

donde p en un nmero mayor o igual que uno. En base al criterio mencionado se puede ver
una diferencia bsica entre las aproximaciones WLAV y WLS, ya que si p = 1 se obtiene

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

47

una minimizacin de la suma de los valores absolutos de los residuales, que corresponde al
mejor ajuste en el sentido WLAV. Si p = 2 se obtiene una minimizacin de la suma de
cuadrados de los residuales, y correspondera al mejor ajuste en el sentido WLS. Esta
diferencia tiene efectos grandes en la forma como son obtenidas las aproximaciones.
( )
|
v
En la aproximacin WLS, se minimiza la funcin objetivo mediante la
solucin de
( ) J A
2
( ) ( , para obtener el conjunto correspondiente a la mejor
aproximacin. Este procedimiento no se aplica en la aproximacin WLAV, ya que
) dJ A dA
2
0 = A
( ) J A
1

no puede no ser diferenciable en todos los valores de , por lo que puede hacerse uso de
algoritmos basados en programacin lineal [45-48] para encontrar la mejor aproximacin.
Algunos de estos algoritmos sern abordados en cuanto a su formulacin y funcionamiento
en los prximos puntos.
A
La naturaleza de la solucin obtenida por la aproximacin WLAV se establece en
[51], donde se enuncia que si se tienen m mediciones ( ) z v
i
y funciones conocidas
, y el rango de la matriz
n
( )
j i
v
|
=
( )
R
m n
, es k , entonces la funcin ( ) L A v
i
, es
una aproximacin mediante WLAV que interpola al menos k mediciones.

3.3 Diferencia entre los mtodos WLAV y WLS
La caracterstica distintiva de la aproximacin WLAV y WLS, es que la primera
tiene una propiedad muy importante, que permite rechazar mediciones errneas sin utilizar
en la mayora de los casos un algoritmo de deteccin e identificacin. Es decir, que el
WLAV dentro de su proceso, rechaza las mediciones errneas utilizando la propiedad de
interpolacin. La aproximacin WLS en cambio, realiza su mejor aproximacin con todas
la mediciones, dando como resultado estimados con errores, lo que hace necesario el uso de
un algoritmo de deteccin e identificacin cuando exista la presencia de errores. Para
ilustrar esta propiedad y ver la diferencia importante entre los mtodos WLS y WLAV,
considere el siguiente ejemplo. Se ajustan los siguientes datos con una lnea recta de la
forma . ( )
$ y z x a x a = = +
1 2
x 0 1 2 3 4 5

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

48

y

2 3 7 5 6 7

Los datos puntuales representan exactamente la ecuacin y x = + 2 , excepto para un error
grande dado en el tercer punto. Los estimados de WLAV y WLS se obtienen
respectivamente por la minimizacin de la siguientes cantidades,
( ) ( ) ( ) J a a z x a x a
i i
i
1 1 2 1 2
1
6
, = +
=

(3.3)
( ) ( ) ( )
|
J a a z x a x a
i i
i
2 1 2 1 2
1
6
2
, = +
=
|
(3.4)
minimizando (3.3) resulta:
$ y x = + 2
y minimizando (3.4) resulta:
$ . . y x = + 0 915 2 7
Ahora, si el tamao del conjunto de datos se reduce suprimiendo el primer punto
(0,2), el estimador WLS obtiene la siguiente ecuacin $ . y x . = + 0 7 35, mientras que el
estimador WLAV obtiene $ y x = + 2 , los cuales pueden ser observados en la Figura 3.1.
0 1 2 3 4 5
2
3
4
5
6
7
8
WLAV
WLS

Fig. 3.1: Representacin grfica de los estimados de WLS y WLAV

Este simple ejemplo es lo que puede suceder en el caso general. Siempre que
existan mediciones exactas y pocos errores de medicin, el estimador WLAV podr
interpolar la mediciones exactas para obtener un buen estimado, rechazando las mediciones

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

49

con errores. En cambio el WLS usa todas las mediciones para obtener el mejor estimado.
En la presencia de mediciones errneas el WLS se ve forzado a identificar los errores en las
mediciones, mediante un anlisis de sus residuales y recalcula el estimado despus de
suprimir las mediciones errneas.

3.4 Estimador WLAV para SEP
El conjunto de mediciones monitoreadas en el SEP puede expresarse en trminos de
la operacin de estado de la siguiente manera:
( ) z h x e = + (3.5)
Donde:
z : Vector que denota el conjunto de mediciones R
m
.
x : Vector de las variables de estado R
n
.
h : Relacin matemtica entre las variables medidas y las variables de estado R
m
.
e : Vector de errores acumulados, que se modela como un vector aleatorio con media
cero es decir ( ) E e = 0 y ( ) e
t
= 0 E e , R
n
.
De la misma manera que en el captulo 2, la funcin ( ) h x se linealiza por una
expansin en serie de Taylor, resultando:
( ) ( ) z z z h x H x x e = + = + +
0 0 0
(3.6)
donde:
( ) H x
h
x
0
=


x x x =
0

El estado estimado puede encontrarse aproximadamente por la solucin iterativa del
vector de correccin de estado x , mediante la ecuacin:
( ) z H x x e = +
0
(3.7)
La estimacin se obtiene por la minimizacin del criterio de desempeo, en el
caso del estimador WLAV resulta:
x

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

50

( ) J x W r
i i
i
m
=
=

1

donde:
W
i
: Es una ponderacin asociada con la -sima medicin. i
r
i
: Es el i -simo componente del vector residual.
( ) r z h x = (3.8)
La minimizacin del criterio mencionado puede formularse como una secuencia de
problemas de programacin lineal [44], y resolverse mediante linealizaciones sucesivas de
( ) h x , introduciendo variables de holgura y variables de transformacin [39,44 ]. Por tanto
el problema puede formularse como:
( minimice J C s s
k
i i
i
m
= +

=
2 1 2
1
)
i
(3.9)
( )
sujeto a H x U
x
S
z
k
k
k

(
(
=

(3.10)
x
k

|
\

|
.
| , S 0
donde:

| |
C W W W W
m m
t
=
1 2 1
L

( )
( )
H x
h x
x
x x
k k
= =


( ) S s s s s
m m
t
=
1 2 2 1 2
, , ... , ,
r s s i m
i i i
= =
2 1 2
1 , , ... ,
= + = x x i
i i
n , 1, ... ,

( )
= + z z H x
i i
k
d
( ) d
t
= , , ... ,

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

51

U =

(
(
(
(
1 1 0 0 0 0
0 0 1 1 0 0
0 0 0 0 0 0
0 0 0 0 1 1
L
L
O
L
donde:
k : Es el ndice de secuencia de problemas de PL ( k = 0 1 2 , , , ... ).
s :Variables de holgura R
m 2

: Constante que garantiza que x
i
0 .
3.5 Descripcin conceptual de los algoritmos Simplex y Punto Interior
Antes de iniciar con la descripcin de los algoritmos, se formular el problema
general de PL, dado por:
minimice x
t
c
Sujeto a A x b x 0
donde x R
n
, b R
m
, A R
m n


. La interseccin de las restricciones de igualdad,
definen la regin de solucin factible, que es un poliedro en un espacio -dimensional.
Cuando el poliedro es limitado, la regin factible es un polgono acotado en un espacio
-dimensional. El polgono mostrado en la Figura 3.2 representa un problema de PL, y
cualquiera de sus vrtices o puntos dentro de la regin factible son una solucin, siendo
alguno de los vrtices la solucin ptima del problema. Por tanto, cualquier punto fuera de
los lmites o muros del polgono no son soluciones factibles ya que no satisfacen las
restricciones del problema.
m
n
n
factible

Fig. 3.2: Regin de solucin factible

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

52

Habindose definido esto, se procede a describir el mtodo simplex [45-47], que
consiste bsicamente en buscar la solucin ptima a travs de un movimiento que realiza en
los vrtices del polgono. Esto es, el algoritmo empieza en un vrtice determinado y se
mueve a otro intentando encontrar la solucin ptima, y con ello obtener el mejor valor de
la funcin objetivo. El movimiento de un vrtice a otro se realiza a travs de un mecanismo
de pivoteo que acta en el polgono y sus vrtices. Este movimiento se puede observar en la
Figura 3.3:

Fig. 3.3: Movimiento en los vrtices del mtodo simplex

En contraste con el algoritmo simplex, una estrategia diferente se adopta por el
algoritmo de punto interior [46,48]. Una de las estrategias consiste en realizar una
secuencia de transformaciones simples aplicadas al espacio en el que se define el polgono
original. Especficamente consiste en tomar un punto dentro de la regin factible, que es
centrado a travs de una operacin de escalamiento; enseguida se encuentra la posicin del
nuevo punto a travs de un vector de direccin descendente en el espacio escalado.
Despus de que se obtine el nuevo punto, una operacin de reescalamiento transforma el
nuevo punto al espacio original. Este algoritmo es conocido como affine-scaling. Para
explicar lo anterior considere que un punto interior se encuentra disponible en una regin
factible, Figura 3.4. Suponga que el punto se encuentra en el centro de un crculo, que
tiene un radio que no viola las restricciones de no-negatividad, adems suponga que la
regin factible es ligeramente redondeada. Enseguida se mueve el punto a una nueva
posicin, mediante un vector de direccin, obtenindose un nuevo punto
A
B , en la Figura
3.4 se puede ver que el nuevo punto B se acerc a una distancia de la solucin ptima (el
origen en el caso de este ejemplo).

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

53

A
B

Fig. 3.4: Movimiento de la solucin inicial

No obstante la mejora que result, se puede obtener un mejor progreso si el punto
inicial se ubica a igual distancia de ambos ejes. Por lo que se aplica un escalamiento al
sistema de coordenadas de la Figura 3.4, dando como resultado una mejor posicin del
punto B y como consecuencia un valor mejorado de la funcin objetivo, Figura 3.5.
A
B

Fig. 3.5: Escalamiento de la solucin inicial

El problema original se formula en un espacio diferente, por consiguiente se aplica
una operacin de reescalamiento a los ejes de la Figura 3.5 con el fin de obtener la solucin
en el espacio original. En el caso del ejemplo, se tom un crculo en el espacio escalado, y
al reescalar sus ejes result una elipse en el espacio original. Esta operacin de
reescalamiento se puede ver en la Figura 3.6. La ilustracin representa el problema de PL
en su espacio original con los vectores de direccin derivados para el espacio original y los
espacios escalados. Como se observa en la Figura 3.6 al mover el punto al punto A B sin
realizar un escalamiento, se obtuvo una mejora, ya que se acerc a la solucin ptima. Sin
embargo, la aplicacin del escalamiento permite el movimiento al punto C con una gran

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

54

reduccin en el valor de la funcin objetivo. El punto muestra la prxima iteracin
seguida por otra elipse inscrita y centrada en el punto
D
C.
A
B C D

Fig. 3.6:Operacin de reescalamiento

Como se puede observar, la diferencia entre ambos algoritmos consiste bsicamente
en que el algoritmo simplex trabaja con un movimiento en los vrtices del polgono,
mientras el algoritmo de punto interior busca acercarse a la solucin ptima mediante
movimientos dentro de la regin factible. No obstante de la diferencia en su operacin,
ambos tienen como objetivo la bsqueda de la solucin ptima, y por ende el menor valor
de la funcin objetivo.

3.6 Estimador WLAV usando el mtodo simplex reformulado [43]
El problema WLAV se resolvi primero usando la formulacin estndar de PL
[36,40,41], despus se utiliz un mtodo especializado en PL, el mtodo simplex en su
forma estndar [39], sin embargo la aplicacin directa del mtodo simplex llev a un
cdigo ineficiente en trminos computacionales. Por tanto, como un primer enfoque para
resolver el problema de PL abordado en la ecuaciones (3.9, 3.10), se usar una
reformulacin del mtodo simplex, teniendo como objetivo el mejoramiento del estimador
en trminos de eficiencia computacional.
Partiendo del razonamiento de que los estimadores WLAV seleccionan las mejores
mediciones a partir de las mediciones disponibles, y producen un estimado que
satisface las ecuaciones de las mejores mediciones exactamente. Por tanto en cada
iteracin de estimacin, las mediciones pueden clasificarse en dos conjuntos: unas
seleccionadas como perfectas, es decir con residual cero (
n m
n n
N ) y las restantes con residual

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

55

diferente de cero ( B ). En la terminologa de PL, las N se asocian a las variables
no-bsicas y las B a las bsicas. Por tanto el arreglo de mediciones puede dividirse de la
siguiente manera, en acuerdo con la designacin de los conjuntos mencionados:
n
b
(

(
R
R
m

H
H
H
z
z
z
n
b
=

(
=


donde:
H
n
: Es una matriz
n n
, perteneciente al conjunto N .
H
b
: Es una matriz
( ) m n n
, perteneciente al conjunto B .
z
n
y z
b
: Vectores independientes pertenecientes a los conjuntos N y B
respectivamente.
Por otro parte, ya que las ecuaciones de medicin se satisfacen exactamente para la
solucin ptima, las correspondientes variables de holgura sern idnticamente igual a
cero:
S
s
s s
n
b b
=

(
=

(
0

donde:
s
b
: Es el vector de variables de holgura

R
m n
, que contiene los residuales de las
mediciones en el conjunto B .
As, antes de empezar el procedimiento de estimacin, pueden seleccionarse
mediciones de las mediciones disponibles, siempre que se garantice un sistema
observable.
n
Asumiendo la seleccin dada y usando las particiones definidas, la ecuacin de
restriccin (3.10) puede reescribirse de la siguiente manera:
( )
{
| |
H
H I
x
s
I
s
z
z
n
b m n
Q
b
n
D
n
n
b
0
0

(
+

(
=
(

(
1 2 44 3 44


donde:
s
n
= 0 ,

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

56

( )
I
m n n
, I : Son matrices identidad de orden ( ) m n n y n n .
Dividiendo el vector de costos que de la ecuacin (3.9) resulta:
C
c
c
n
b
=

(

Definamos ahora un nuevo vector de costos para las variables en el vector solucin bsico
|
x s
b
;
|
de modo que:
C
c
B
b
=

(
0

Ahora el costo relativo ( r
c
) de rechazo de una de las mediciones ya seleccionadas puede
calcularse mediante:
r c C Q
c
t
n
t
B
t
=
1
D
= c D
n
t t

debido a la estructura de la matriz , nicamente son necesarias las primeras entradas
de (
D n

| |

t
n
t
b
t
= , ) :
( ) | |

n n
t
b
t
b
H H =
1
c y r c
c n n
=
Una vez que se calcula el costo relativo, el prximo paso es decidir sobre la -sima
medicin que reemplazar a la -sima medicin rechazada (seleccionada con el
k
j r ms
negativo), es decir, cal medicin saldr de la base. Por tanto, se calcula el rango mnimo
en base a:
c
( )
( )
min
s k
y k
k
b
b
> 0
que indica el nmero de medicin seleccionada entre las m n mediciones rechazadas.
Aqu,
( ) y H
n
n j
=
1
e
y H
b
b
n
y =

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

57

donde e
j
es un vector que contiene la unidad en la -sima entrada, es el ndice que
selecciona la medicin a salir del conjunto
j j
N , y est basada en la seleccin de r
c
ms
negativo.

La formulacin del mtodo simplex con las modificaciones explicadas, se resume
de la siguiente manera:
1) Resolver H x z
n n
= y calcular s z H
b b b
x =
2) Resolver H H
n
t
n b
t
b
= c , calcular r c
c n n
= y seleccionar el mnimo
( ) r j
c
< 0, que indica la medicin que entra a la base.
3) Si ( ) r j
c
0 , parar, la solucin ptima fue encontrada; de otro modo ir al siguiente paso.
4) Resolver H y e
n
n
j
= , calcular y H
b
b
n
y = , y seleccionar el valor mnimo, en base a
( ) ( )
(
s k y k
b
b
> 0
)
, que indica la medicin que sale de la base.
5) Actualizar ; reemplazando el -simo rengln de por el -simo rengln de
y volver al paso uno para iniciar otra iteracin.
H
n
j H
n
k H
b
Como se puede observar el algoritmo se detiene hasta que satisface la condicin
dada en el paso tres, lo cual en sistemas pequeos no presenta un problema en trminos
computacionales. Sin embargo al aplicarse a sistemas grandes, el algoritmo requiere de
una mayor cantidad iteraciones de PL, dando con ello un gran esfuerzo computacional,
por lo que puede hacerse una modificacin en su implementacin para reducir la cantidad
de iteraciones de PL y por ende reducir el esfuerzo computacional. Esta modificacin
consiste determinar un nmero de iteraciones de PL, para que el algoritmo termine cuando
se exceda el nmero de iteraciones de PL fijadas, o de otro modo regresa al paso uno y
vuelve a iniciar otra iteracin.





Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

58

3.7 Estimador WLAV usando la estrategia affine-scaling en la formulacin
dual
La formulacin WLAV utilizando el mtodo simplex, resuelve el problema de PL
por el examen de los vrtices que limitan la regin factible. En cada iteracin el mtodo
simplex involucra la solucin de dos sistemas lineales y el clculo de un factor de
actualizacin que refleja el cambio de una columna de la base. Esto de alguna manera da
cierta estabilidad y rapidez. Sin embargo, el nmero de iteraciones y el esfuerzo por
iteracin crece linealmente con el tamao del sistema, resultando un aumento en el esfuerzo
computacional total, del cuadrado del tamao del sistema.
El trabajo realizado por Karmarkar[52], propuso un mtodo alternativo y
competitivo al mtodo simplex. El mtodo, es el de puntos interiores que se encuentra
disponible en la literatura [46,48]. El mtodo se encuentra dividido en dos categoras, una
son las variantes del mtodo de affine-scaling[48,53], y la segunda son los mtodos de
funcin de Barrier [54,55]. Ambos enfoques han sido usados para resolver problemas de
SEP [56-58], y recientemente en casos de estimacin de estado [38,49]. Sin embargo, estos
trabajos slo presentan resultados en trminos computacionales y no en cuanto ha
desempeo con mltiples errores, baja redundancia etc,. Adems los trabajos utilizaron
formulaciones no-lineales, requiriendo con ello mayor esfuerzo computacional. As que
en este trabajo se propone una versin linealizada del mtodo dual affine-scaling, dando
con ello un menor esfuerzo computacional, asimismo se analizar su comportamiento ante
mltiples errores, baja redundancia, puntos de apalancamiento, etc.

3.7.1 Teora de la formulacin Dual Affine-Scaling
El problema primal en forma estndar est dado por:
minimice c x
t
(3.11)
sujeto a A x b x , = 0 (3.12)
mientras el problema dual est dado por:
maximice b y
t
(3.13)
sujeto a A y c
t
(3.14)

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

59

Convirtiendo las restricciones de desigualdad del problema dual a un conjunto de
igualdades:
maximice b y
t
(3.15)
sujeto a A y z c y z
t
, es libre, + = 0 (3.16)
donde: z es un vector de holgura -dimensional no negativo. n
Asumiendo que existe un par de soluciones factibles conocidas ( y
o
, z
o
) para
(3.16), se necesita generar vectores de direccin que, manteniendo la factibilidad de
(3.16), muevan la solucin del problema dual de los vectores iniciales a un nuevo par,
mejorando con ello la funcin objetivo. Por tanto con los vectores de direccin y algn
tamao de paso , las nuevas iteraciones para los vectores duales son expresadas como:
y y dy y = +
0
es libre (3.17)
z z dz z = +
0
0 (3.18)
Las nuevas iteraciones mejoran el valor de la funcin objetivo por lo que:
b y b y
t t

0
(3.19)
mientras que (3.16) con las nuevas iteraciones resulta:
( )
A y dy z dz
t
+ + + =
0
0
c (3.20)
pero ya que A y z c
t
+ =
0
0
, por virtud de que los vectores iniciales son factibles se tiene:
A dy dz dz A dy
t
+ = = 0
t
(3.21)
Enseguida el problema dual se escala con la matriz diagonal , dada por: D
D
z
z
z
n
=

(
(
(
(
(
(
(
1
0 0 0
0
1
0 0
0 0 0
0 0 0
1
1
2
O
(3.22)
con la cual se realizan las siguientes transformaciones de escalamiento:
z D z z D z dz D dz
1
1
1
1
1
= = =

(3.23)
usando la operacin de escalamiento para (3.21) se obtiene:

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

60

D A dy dz
t
+ =
1
0 (3.24)
y multiplicando ambos lados (3.24) por A D resulta:
( )
A D A dy A D dz dy A D A A D dz
t t
+ = =

2
1
2
1
1
0 (3.25)
La expresin (3.25) es vlida para cualquier dz
1
. Ya que se tuvo cuidado de los
requerimiento de factibilidad dual por el establecimiento de la condicin en (3.21), es
til ahora la seleccin de dz
1
de una manera tal que mejore el valor de la funcin objetivo.
Recuerde que el valor de la funcin objetivo en la nueva iteracin est dado por
(
b y dy
t
+
0

)
. Por tanto, para ir en direccin de un incremento en el valor de la funcin
objetivo se deben buscar maneras de seleccionar dz , mientras se satisfaga:
1
b dy
t
0 (3.26)
Definiendo ahora una matriz R

R
m n
, dada a travs de:
( )
R A D A A D
t
=

2
1
(3.27)
(3.26) se convierte en:
b R dz
t
1
0 (3.28)
Para satisfacer los requerimientos de (3.28) se ejerce la libertad de seleccionar dz
1
, por lo
que dz R b
t
1
= , y con esto (3.28) llega a ser:
b dy b R R b R b
t t t t
= =
2
0 (3.29)
De esto se puede ver que la seleccin del dz
1
, indica un mejoramiento del valor de la
funcin objetivo. Usando el dz
1
propuesto se puede reescribir (3.25), tenindose:
( )
| |
( )
| |
( )
dy A D A A D D A A D A b A D A b
t t t
= =

2
1
2
1
2
1
t

(3.30)
Habiendo calculado los vectores de direccin dz y dy , ya se pueden generar las
prximas iteraciones a travs de las expresiones (3.17) y (3.18) . Donde es el tamao
de paso mximo permisible y necesario para hacer cumplir el requerimiento de no-
negatividad impuesta sobre z , por lo que es un factor determinado a travs de la
relacin:

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

61

= <


`
)
min
z
dz
dz i n
i
: , 0 1 (3.31)
Usando el tamao de paso , mientras se garantice la factibilidad y se mantengan
las restricciones de no-negatividad, causa que al menos una componente de la nueva
iteracin de z alcance el lmite del polgono dual y desaparezca. Esto ocasiona que el
vector de solucin z ya no se encuentre en el interior del polgono dual. Por tanto, para que
permanezca z dentro de la regin factible se tomar nicamente una fraccin del tamao
de paso, lo cual se logra multiplicando el vector de direccin por un factor . Con esto, la
nueva iteracin del vector z es:
z z dz = + < <
0
0 1 (3.32)
con valores tpicos de de 0.95 a 0.9995.
Hasta este momento se han generado mecanismos para actualizar los vectores
duales y y z . Ahora se derivar la solucin del vector de incgnitas, x , para el
problema primal. Usando la definicin de la matriz de escalamiento dada en (3.22), se
obtiene el siguiente estimado:
D
x D d =
2
z (3.33)
Con lo cual:
( ) ( )
A x A D A dy A D A A D A b b
t t t
= = =

2 2 2
1
(3.34)
De lo anterior se puede sealar que mientras el primal estimado satisface A x b = , no
necesariamente satisface las restricciones de no-negatividad impuestas al vector x .
Con esto se concluye la presentacin de la teora del algoritmo dual affine-scaling y
se proporciona un resumen del algoritmo propuesto aplicado al problema de estimacin de
estado.

3.7.2 Algoritmo Dual de Affine-Scaling aplicado al problema de Estimacin de Estado
En este punto se presenta la versin linealizada del algoritmo dual de affine-scaling
propuesta para solucionar el problema de estimacin de estado.

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

62

maximice J b y
dual
t
=
sujeto a A y z c y z
t
, es libre, : + = 0
Donde: z R
n m

+ 2
son las variables de holgura, y R
m
son las varibles duales,
b z = , b R
m
, c ,
U W
n
t
=

(
1
1
c R
n m

+ 2
,
| |
A H U = ,
( )
A R
m n m

+ 2
.
1) Suponga que el vector factible de arranque y
o
es dado, tal que A y c
t
o
, y el vector
factible z
o
, es calculado a travs de z c A y
t
0
0
= , donde z . Se inicializa el contador
en
0
0 >
k = 0, y el conjunto y y
k
o
= , y z z
k
o
= .
2) Se define la matriz de escalamiento
( ) ( )
D R
k n m n m

+ + 2 2
a travs de :
D diag
z z z
k
k k
n m
k
=

(
+
1 1 1
1 2 2
, ,..., , donde es el i-simo componente del vector de costo
reducido
z
i
k
z .
3) Encontrar el vector de direccin dy R
k m
mediante la solucin:
( )
| |
A D A dy b
k
t k
=
2

4) Encontrar el vector de direccin dz R
k n m

+ 2
, a travs de:
dz A dy
k t k
=
5) Encontrar el tamao de paso mediante:
= <


`
)
< < min
z
dz
dz i m
i
k
i
k
i
k
: , 0 1 0 1 y
6) Encontrar el valor actualizado del vector de costo reducido y del vector dual a travs de
la siguiente formulacin:
z z d
k k +
= +
1
z
k

y y d
k k +
= +
1
y
k

7) Encontrar el estimado para el vector de solucin primal x
x
s
k
=

, x R
k n m

+ 2
, a
travs de:

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

63

( ) x D d
k
k
k
=
2
z
8) Si el siguiente criterio se satisface:
gap
c x b y
c x
tolerancia
k
t k t k
t k
+
+

=

+

1
1
3
10
10
.
) (1
El programa termina, de lo contrario actualiza el contador y vuelve al paso 2. k
La misma modificacin que se mencion en el algoritmo simplex, tambien se puede
utilizar en el algoritmo propuesto para reducir su esfuerzo computacional.

3.8 Mtodo de deteccin e identificacin para el estimador WLAV
Como ya se mencion, los algoritmos de estimacin basados en PL tienen la
propiedad de rechazar automticamente los errores anormales en la mayora de las
situaciones. Sin embargo, existen casos en que esto puede fallar (la falla es atribuida a la
existencia de puntos de apalancamiento, que sern tratados con ms detalle en el siguiente
captulo). Por tanto para hacer an ms confiable este estimador para una implementacin
en lnea, es necesario tener un procedimiento que detecte e identifique los errores
anormales cuando se presentan estos casos.
El mtodo de deteccin e identificacin que ser usado en este trabajo es una
variante del mtodo de identificacin de prueba de hiptesis (HTI) [32,59,60], que fu
modificado y extendido al caso del estimador de WLAV basado en PL y se describe
en la referencia [61].

3.8.1 Deteccin de error
Los algoritmos de PL descritos ajustan exactamente una solucin para mediciones
de las mediciones disponibles. Esta solucin se obtiene despus de resolver la secuencia
de problemas de PL definidos en las ecuaciones (3.9,3.10) y haber satisfecho
asintticamente el criterio de minimizacin dado en (3.9).
n
m
Por tanto con respecto a la solucin obtenida por el estimador para un conjunto de
mediciones, se define:
a : Indica la particin de un vector o matriz correspondiente a las mediciones satisfechas.

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

64

b: Indica lo mismo que el anterior slo que correspondera a las mediciones no-satisfechas.
Asumiendo un error de estimacin, la ecuacin (3.5) puede reescribirse como:
( ) ( ) z h x H x e = + + $ $ (3.35)
donde:
$ x : Es el vector de estado estimado.
= x x$ : Vector de error del estado estimado.
de la ecuacin (3.5) y (3.8) se obtiene:
( ) r H x e = + $ (3.36)
Usando las definiciones de y , la ecuacin (3.36) puede ser dividida como: a b
0
r
H
H
e
e
b
a
b
a
b

(
=

(
+

(
(3.37)
la cual puede reescribirse de la siguiente manera:
e
e
H N
H I r
a
b
a
b b
L
M
L M L
M
L

(
(
(
=

(
(
(

(
(
(

(3.38)
donde:
N : Matriz nula
( )
R
n n m

I : Matriz identidad

R
m n m n ( ) ( )

De (3.38) resulta:
=

H e
a a
1
(3.39)
r e M e
b a a
= + (3.40)
donde, M H H
b a
=
1
Las ecuaciones (3.39) y (3.40) relacionan el error de estimacin de estado y el
vector de residuales, que contiene los errores de medicin en la solucin dada por el
estimador de PL para un conjunto de mediciones ( , ). Como los errores estadsticos son
conocidos, entonces los correspondientes estadsticos de
a b
y r pueden ser evaluados
como:
b
( )
= N
a
0 ,

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

65

( )

a a a a
t
H W H =
1 1

similarmente para r
b
:
( )
r N
b b
= 0 ,

b b a
t
W M W M = +
Los residuales normalizados se definen como:
( )
| |
r diag
b N b b ,
.
=

0 5
r
)
(3.41)
donde la diag es la matriz formada por los elementos diagonales de la matriz de
covarianza . Los residuales normalizados son variables aleatorias normalmente
distribuidas con media cero y desviacin estndar igual a uno. Si una o ms mediciones
estn contaminadas con errores grandes, estos no satisfacen las condiciones expresadas,
entonces la hiptesis de los residuales normalizados ya no ser correcta. Por tanto, es
posible establecer una prueba para deteccin de errores anormales en el conjunto de
mediciones. Utilizando un procedimiento similar al usado en el estimador WLS, se prueba
si:
(
b

b
r i
b N
i
,
, ... , m n = , 1 (3.42)
donde es un umbral de deteccin, que determina una probabilidad de falsa alarma
[14,39]. Si todos los componentes del vector de residual normalizado satisfacen (3.42), el
estado estimado se considera libre de la influencia de errores grandes. Sin embargo si la
prueba es positiva, se hace necesaria la identificacin de los datos errneos y su
subsecuente eliminacin del conjunto de mediciones.


3.8.2 Identificacin de errores
Asumiendo que la prueba de (3.42) indica la existencia de mediciones errneas, se
utiliza el mtodo de identificacin de la referencia [61], que usa las propiedades
estructurales de la solucin obtenida por la PL. El algoritmo de identificacin se resume de
la siguiente manera:

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lineal

66

1) Solucionar el problema de estimacin de estado con el estimador de PL, y obtener r ,
mediante la ecuacin (3.40).
b
2) Calcular el residual normalizado r usando (3.41) . Si
b N
i
,
r
b N
i
,
, indica la presencia
errores en la estimacin, por tanto ir al paso 3. De otro modo parar, ya que no existe
presencia de errores en la estimacin.
3) Estimar , sabiendo que $ e
c
( )
$ e M W M M W M
c
t
s
t
s b
=
1
r .
4) Calcular el residual normalizado r
p N ,
, usando :
r r M e
p b
= $
c
, donde la forma normalizada es:
( )
r . Si
r
W i i
p N
p
i
b
,
,
=
1
r
p N
i
,
ir al paso
5, de otra manera ir al paso 6.
5) Eliminar la medicin con el r
b N
i
,
ms grande en el paso 2 y enseguida ir al paso 1.
6) Calcular el residual normalizado en el conjunto C, , usando e
cW
( )
e , y
eliminar la medicin con el ms grande. Ir al paso 1.
e
W i i
cW
c
i
c
=

$
,
1
e
cW
Como se puede observar el presente procedimiento detecta los datos errneos,
usando las mediciones residuales de las mediciones rechazadas por el estimador de PL.
Enseguida se identifica la medicin errnea realizando una bsqueda en los estimados
e
b
y e
a
respectivamente. Despus es eliminada la medicin errnea mediante un cambio
de ponderacin.

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lneal

67
En este mtodo existe una restriccin de aplicacin, que esta ntimamente ligada
con la ecuacin (3.40) ya que el rango de H
b
(o equivalentemente a M) debe ser igual a
. Si el rango de n M es deficiente, entonces las entradas de e correspondern a columnas
linealmente dependientes de
c
M que sern idnticas a cero, por lo cual estos errores no
sern identificables

3.9 Ejemplo de aplicacin
En este seccin se presentan ejemplos de aplicacin para el algoritmo simplex
reformulado y para el algoritmo basado en el mtodo affine-scaling dual propuesto. Ambos
algoritmos se ejemplifican con el sistema elctrico [28] de la figura 3.5, en el cual se
consideran 19 mediciones, donde 3 de ellas tendrn un error grande y poder juzgar el
desempeo de ambos mtodos ante mltiples errores.
Antes de iniciar con el proceso de estimacin se distinguirn dos tipos de iteracin:
La iteracin general, que es la que realiza el estimador en forma completa, y la otra es la
iteracin interna, que realiza el mtodo de PL para obtener la mejor minimizacin de la
funcin objetivo.
G
G
2
I
F
3 1
5
4
V
V
F
I V V
V
F
F
F
F

Fig. 3.5: Sistema de 5 nodos
*F: es flujo real y reactivo en lneas, I: es inyeccin real y reactiva, V: es magnitud de voltaje

Los valores de las mediciones con la inclusin de error aleatorio son:
z P
1 1
1290 = = . z Q
2 1
0 083 = = . z P
3 3
0 453 = = . z Q
4 3
0152 = = .
z P
5 4 5
10 = =

. z Q
6 4 5
0167 = =

. z P
7 5 4
0 072 = =

. z Q
8 5 4
0 022 = =

.
z P
9 3 4
0 0 = =

.
z Q
10 3 4
0 044 = =

. z P
11 5 2
0541 = =

. z Q
12 5 2
0 076 = =

.

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lneal

68
z P
13 2 4
0 278 = =

.
z Q
14 2 4
0 030 = =

. z V
15 1
1060 = = . z V
16 2
1051 = = .
z V
17 3
1023 = = . z V
18 4
1033 = = . z V
19 5
1022 = = .


Las varianzas de los errores de medicin se especifican en los siguientes valores:

I
2 2
0 01 = . para inyecciones real y reactiva.

F
2 2
0 008 = . para flujos real y reactivo.

V
2 2
0 004 = . para magnitud de voltajes.
Se inicia el proceso de estimacin con los siguientes valores de arranque:
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )

2
0
3
0
4
0
5
0
1
0
2
0
3
0
4
0
5
0
0 0 101 = = = = = = = = = . . y V V V V V
Sustituyendo estos valores numricos en las expresiones dadas en (2.18, 2.19, 2.31, 2.32,
2.41) y calculando los errores de las mediciones se tiene en la primera iteracin general:

( ) ( )
e z P
1
0
1 1
0
1290 = = .
( ) ( )
e z Q
8
0
8 5 4
0
0 000 = =

.
( )
( )
e z V
15
0
15 1
0
0 050 = = .
( ) ( )
e z Q
2
0
2 1
0
0 021 = = .
( ) ( )
e z P
9
0
9 3 4
0
0 0 = =

.
( )
( )
e z V
16
0
16 2
0
0 041 = = .
( ) ( )
e z P
3
0
5 3
0
0 442 = = .
( ) ( )
e z Q
10
0
10 3 4
0
0 047 = =

.
( )
( )
e z V
17
0
17 3
0
0 013 = = .
( ) ( )
e z Q
4
0
4 3
0
0 097 = = .
( ) ( )
e z P
11
0
11 5 2
0
0541 = =

.
( )
( )
e z V
18
0
18 4
0
0 023 = = .
( ) ( )
e z P
5
0
5 4 5
0
10 = =

.
( ) ( )
e z Q
12
0
121 5 2
0
0 085 = =

.
( )
( )
e z V
19
0
19 5
0
0 012 = = .
( ) ( )
e z Q
6
0
6 4 5
0
0 001 = =

.
( ) ( )
e z P
13
0
13 2 4
0
0 278 = =

.
( ) ( )
e z P
7
0
7 5 4
0
0 072 = =

.
( ) ( )
e z Q
14
0
14 2 4
0
0 055 = =

.

Despus de resolver las derivadas parciales con sus valores numricos respectivos se
obtiene la siguiente matriz Jacobiana:

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lneal

69
( )
H
0
6 375 5100 1275 0 0 0 0 1530 3825 0 0 0 0
19 01 1530 3825 0 0 0 0 5100 1275 0 0 0 0
1275 1700 1317 10 20 0 0 5100 39 52 30 60 0 0
3825 5100 39 41 30 60 0 0 1700 1317 10 20 0 0
0 0 0 0 0 0 1275 1275 0 0 0 0 3825 3825
0 0 0 0 0 0 3774 3825 0 0 0
=




. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . .0 1275 127
0 0 0 0 0 0 1275 1275 0 0 0 0 3825 3825
0 0 0 0 0 0 3825 3774 0 0 0 0 1275 1275
0 0 0 0 10 20 10 20 0 0 0 0 30 60 30 60 0 0
0 0 0 0 3058 30 60 0 0 0 0 10 20 10 20 0 0
0 0 2 550 0 0 0 0 2 550 7 650 0 0 0 0 7 650
0 0 7 650 0 0 0 0 7 620 2 550 0 0 0

. .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . .0 2 550
0 0 1700 0 0 1700 0 0 5100 0 0 5100 0 0
0 0 5059 0 0 5100 0 0 1700 0 0 1700 0 0
1010 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 1010 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 1010 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0



.
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . .0 1010 0 0 0 0 0 0 0 0 0 0 . . . . . .

(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
5


3.9.1 Aplicacin del algoritmo simplex reformulado
El algoritmo inicia seleccionando renglones linealmente independientes de la
matriz
n
( )
H
0
, con el objetivo de formar la matriz inicial y, los vectores H
n
z
n

y C
n
. Con
los ( renglones restantes de ) n m
( )
H
0
se forman la matriz y lo vectores, H
b
z
b

, y C
b
.
En la primera iteracin interna las posiciones de los renglones seleccionados,
sern llamadas no-bsicas y se definen como:
n
( )
| |
Vecnb
t 1
2 4 12 10 17 1 3 9 11 =
Las posiciones de los renglones restantes, sern llamadas bsicas y se definen
como:
(m n )
( )
| |
s
t 1
6 8 7 13 14 15 16 5 18 19 = Ve cba
Las posiciones definidas en los vectores
( ) 1
Vecnb y Ve indicarn el rengln que se
tomar de la matriz
cbas
( ) 1
( )
H
0
para formar dos matrices, unas correspondientes a las bsicas y
otras a las no-bsicas. Por tanto, se forma la matriz tomando renglones de la matriz H
n
( )
H
0
basndose en las posiciones de
( )
Vecnb , por lo que en la primera iteracin interna
es:
1
H
n

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lneal

70
( )
H
n
1
19 01 1530 3825 0 0 0 0 5100 1275 0 0 0 0
3825 5100 39 416 30 60 0 0 1700 1317 10 20 0 0
0 0 7 650 0 0 0 0 7 620 2 55 0 0 0 0 2 550
0 0 0 0 3058 30 60 0 0 0 0 10 20 10 20 0 0
0 0 0 0 1010 0 0 0 0 0 0 0 0 0 0 0 0
6 375 5100 1275 0 0 0 0 1530 3825 0 0
=





. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . 0
1275 1700 1317 10 20 0 0 5100 39 52 30 60 0 0
0 0 0 0 10 20 10 20 0 0 0 0 30 60 30 60 0 0
0 0 2 550 0 0 0 0 2 550 7 650 0 0 0 0 7 650
.
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .


(
(
(
(
(
(
(
(
(
(
(
(
0
)

De la misma manera que fue obtenida se forma la matriz con las posiciones
restantes definidas en el vector Ve :
H
n
( ) 1
H
b
(m n
cbas
( )
H
b
1
0 0 0 0 0 0 3774 3825 0 0 0 0 1275 1275
0 0 0 0 0 0 3825 3774 0 0 0 0 1275 1275
0 0 0 0 0 0 1275 1275 0 0 0 0 3825 3825
0 0 1700 0 0 1700 0 0 5100 0 0 5100 0 0
0 0 5059 0 0 5100 0 0 1700 0 0 1700 0 0
1010 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
=





. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
.0 1010 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1275 1275 0 0 0 0 3825 3825
0 0 0 0 0 0 1010 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1010 0 0 0 0 0 0 0 0
. . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .

(
(
(
(
(
(
(
(
(
(
(
(
(
(

De la misma manera en que se obtuvieron las matrices y , se forman los siguientes
vectores,
H
n
H
b
( )
| |
C
n
t
1
10000 10000 15625 15625 62500 10000 10000 15625 15625 =
( )
| |
C
b
t
1
15625 15625 15625 15625 15625 62500 62500 15625 62500 62500 =
que se encuentran compuestos por las ponderaciones de las mediciones.
El incremento

se calcula a travs de z z z H

= + d , donde z son los errores


de mediciones presentados, H es la matriz Jacobiana y es un vector que contiene un
valor constante igual a dos para cumplir con las restricciones de no-negatividad. Por lo que
d
z

es:
( )
|
|
z
t

=

1
36 95 12 50 7 208 2 871 10 0100 0 065 0102 0 0 0 088
0538 0 024 0 275 0 025 2 070 2 061 2 033 2 043 2 032
. . . . . . . . . . ...
. . . . . . . . .

El cual, se divide en dos vectores, uno perteneciente a las variables no-bsicas y otro a las
variables bsicas:

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lneal

71
( )
| |
z
n
t

=
1
12 50 2 871 0 024 0 088 2 033 36 95 7 208 0 0 0538 . . . . . . . . .
( )
| |
z
b
t

=
1
0100 0102 0 065 0 275 0 025 2 070 2 061 10 2 043 2 032 . . . . . . . . . .
Despus de haber formado las matrices y vectores tanto para las variables bsicas como
no-bsicas se procede al desarrollo del algoritmo.
Resolver
( ) ( )
( )
( )
x H z
n n
1 1
1 1
=


( )
| |
x
t
1
2 043 2 0262 2 013 2 015 2 015 1942 1923 1922 1876 = . . . . . . . . .
Calcular
( )
( )
( ) ( )
S z H
b b b
1
1
1 1
=

x :
( )
| |
S
b
t
1
0 063 0 060 0117 0161 0 032 0 007 0 014 1183 0 008 0 002 = . . . . . . . . . .
Resover
( ) ( )
( )
( )
( )
( )

n n
t
b
t
b
H H
1 1
1
1 1
=
|
\

|
.
|

|
\

|
.
|

C :
( )
| |
n
1 5
0 028 0 291 0 073 0 298 2 450 0 022 0162 0182 0 024 10 =
+
. . . . . . . . .
Calcular
( ) ( ) ( )
c n n
1 1
= r C :
1
( )
| | r
c
1 5
0 071 0191 0 229 0 454 3075 0 077 0 062 0 338 0180 10 =
+
. . . . . . . . .
Enseguida se selecciona el mnimo ( ) j
c
r , siendo el valor
+
1909 10
4
. en la segunda
columna de r ., el cual indicar que variable entra a la base. En el caso que el valor de
c
( ) r j
c
sea mayor o igual que cero el programa para, ya que encontr la solucin ptima. De
lo contrario, el programa continuar con la bsqueda de la solucin. As, se introduce un
uno en la posicin dos del vector E, indicado por la variable que entra:
( )
| |
E
t
1
0 0 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 = . . . . . . . . .
Resolver
( ) ( )
( )
( )
( )
( )
y H H
b
b n
1 1 1
1
1
=

E :
( )
| | y
b
t
1
0 469 0 463 0 000 0 000 0 619 0 089 0111 0 000 0 000 0111 = . . . . . . . . . .
Enseguida encontrar la variable que sale de la base mediante la relacin:
( )
( )
( )
| | | |
Salida
S
y
b
b
t
1
1
1
15
0 000 0 000 0898 0845 0 000 0 000 0 000 9 020 7 781 0 000 10 = =
+
. . . . . . . . . .

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lneal

72
Se selecciona el
( )
( )
mi , el valor que cumple lo anterior es y se encuentra en
el rengln nmero cinco. Que indicar la variable que sale de la base.
n
S k
y k
k
b
b
> 0 0 0521 .
Despus de haber obtenido las posiciones de las variables que entran y salen de la
base, se procede ha actualizar
( )
H
n
1
. Reemplazando el - sima rengln de , que fue
dos, por el
j
( )
H
n
1
k -simo rengln de
( )
H
b
1
, que es cinco, y con las mismas posiciones se
modifican los vectores Ve y
( )
cnb
1 ( ) 1
Ve , los cuales modificarn a su vez los vectores cbas
( )
z
b

1
,
( )
z
n

1
,
( )
C
b
1
,
( )
n
1
C .
Las matrices
)
,
(
H
n
1 ( )
b
1
H y los vectores
( )
z
b

1
,
( )
z
n

1
,
( )
C
b
1
,
( )
C
n
1
modificados,
sern tomados como la base de datos de la siguiente iteracin interna, siguiendo el
procedimiento hasta satisfacer la condicin enunciada en el punto tres del algoritmo
resumido en la seccin 3.6. Como se puede observar el proceso del algoritmo requiere
actualizar matrices y vectores, mediante un intercambio sucesivo de sus renglones,
consiguiendo con ello la correccin para las variables de estado y por ende la minimizacin
de la funcin objetivo. En este caso se necesitaron 3 iteraciones de PL para satisfacer la
condicin. Se toma el ltimo x :
( )
| |
x
t
3
2 051 2 036 2 014 2 015 2 024 1944 1918 1918 1877 = . . . . . . . . .
Y se corrige para obtener el incremento que servir para estimar los valores de las
variables de estado:
( ) ( )
x x
correg
1 3
= d
( )
| |
x
correg
t
.
. . . . . . . . .
1
0 051 0 036 0 014 0 015 0 024 0 055 0 081 0 081 0122 =




Por tanto, el resultado de la primera iteracin general para las variables de estado
son:
( ) ( ) ( )
x x x
correg
1 0
= +
1


Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lneal

73
( )
x
1
1
1010 0 051 1061 = + = . . .
( )
x
2
1
1010 0 036 1046 = + = . . .
( )
x
3
1
1010 0 014 1024 = + = . . .
( )
x
4
1
1010 0 015 1025 = + = . . .
( )
x
5
1
1010 0 024 1034 = + = . . .

( )
( ) x
6
1
0 0 0 055 0 055 = + = . . .

( )
( ) x
7
1
0 0 0 081 0 081 = + = . . .

( )
( ) x
8
1
0 0 0 081 0 081 = + = . . .

( )
( ) x
9
1
0 0 0122 0122 = + = . . .
Donde los primeros 5 valores corresponden a las magnitudes de voltaje y los 4
restantes, a los ngulos en radianes. Estos valores estimados actuarn como datos de
entrada para la segunda iteracin general, y as se continuar el clculo hasta alcanzar la
convergencia de acuerdo con la toleracia establecida ( 5 10
3


). En este caso 3 iteraciones
generales fueron suficientes para satisfacer la tolerancia. Los resultados se muestran y se
comparan con los valores verdaderos en la tabla 3.1.

Tabla 3.1:Comparacin de variables de estado estimadas y verdaderas, mtodo simplex reformulado
Voltaje estimado Voltaje verdadero Angulo estimado Angulo verdadero
1.0607 1.0600 0 0
1.0487 1.0475 -2.7629 -2.8073
1.0239 1.0242 -5.1866 -4.9975
1.0253 1.0236 -5.2122 -5.3297
1.0358 1.0180 -6.3539 -6.1508


3.9.1 Aplicacin del algoritmo Dual affine-scaling
A continuacin se har uso del algoritmo propuesto para obtener el mejor x. Se
utilizar el sistema de la figura 3.7 con la misma cantidad de mediciones y con los
mismos datos errneos. Por tanto se har uso del algunos clculos ya descritos.

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lneal

74
El algoritmo inicia formando la matriz de restriccin A , que no es presentada por
razones de espacio, pero se forma con la matriz jacobiana
( )
H
0
(presentada al inicio del
ejemplo de aplicacin) y con la matriz
( ) 0
U que se compone de unos y menos unos
(presentada en la seccin 3.4 del captulo 3). Por tanto, la matriz aumentada A se forma de
la siguiente manera:
( ) ( ) ( )
A H U
0 0
=

(
0

En seguida se calcula el vector b , mediante,
( ) ( ) ( )
b z H
0 0 0
= + d , donde
( )
z
0
y
( )
H
0
ya se
calcularon, y donde d es un vector de elementos iguales a 10, para cumplir con las
restriciones de no-negatividad.
b = [ -189.9721 62.6085 37.8062 -13.9656 -1.0000 -0.5055 -0.0653 -0.5149 0.0000 -0.2445 ...
... -0.5325 -0.2319 0.2816 -0.3602 10.1419 10.1242 10.1104 10.1102 10.1021 ]
Luego se inicia el vector c , compuesto por unos y por las ponderaciones de las mediciones:
| c = 10 10 10 10 10 10 10 10 10 10000 10000 10000 10000 10000 10000 10000 . . . . . . . . . K
K K 10000 15625 15625 15625 15625 15625 15625 15625 15625 15625 15625 15625
K K 15625 15625 15625 15625 15625 15625 15625 15625 15625 62500 62500 62500
|
K 62500 62500 62500 62500 62500 62500 62500 62500
t

Enseguida se procede al desarrollo del algoritmo:
1) Se supone que el vector factible de arranque y
o
est dado por:
( )
|
y
0
0
= 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 ... ...
0.0 0.0 0.0
|
t
Y el vector factible z
o
, es calculado a travs de z c A y
t
0
0
= ., por tanto, z c
0
= ,
cumpliendo con que z
0
0 > .
Se inicializa el contador en k = 0, y el conjunto y y
k
o
= , y z z
k
o
=
2) Se define la matriz de escalamiento
( )
D
0
a travs de D diag
z z z
k
k k
n m
k
=

(
+
1 1 1
1 2 2
, ,..., :
D dia
( ) 0
= g [ 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.0001 0.0001 ...
... 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 ... ...

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lneal

75
0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 ... ...
0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0000 0.0000 0.0000 0.0000 ... ...
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 ]
3) Encontrar el vector de direccin dy
k
mediante la solucin de ( )
| |
A D A dy b
k
t k

2
=
dy
( ) 0
= [[ 0.2996 -0.0836 1.5985 -0.1171 -9.7175 0.2182 -3.2371 -0.2386 -2.0445 0.0889 ....
... -3.0728 0.7305 -2.1577 0.5903 1.2579 0.7956 1.7354 0.4517 -4.2161]
|
+
10
7
t
4) Encontrar el vector de direccin dz
k
, a travs de dz A dy
k t k
=
dz
( ) 1
= [ [0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.2996 ...
... 0.2996 0.0836 -0.0836 -1.5985 1.5985 0.1171 -0.1171 9.7175 -9.7175 -0.2182 0.2182 ...
... 3.2371 -3.2371 0.2386 -0.2386 2.0445 -2.0445 -0.0889 0.0889 3.0728 -3.0728 -0.7305 ...
... 0.7305 2.1577 -2.1577 -0.5903 0.5903 -1.2579 1.2579 -0.7956 0.7956 -1.7354 1.7354 .. ...
-0.4517 0.4517 4.2161 -4.2161]
|

+
10
7
t
5) Encontrar el tamao de paso calculando:
( )
( )

z
dz
1
1
= [ 0.0100 0.0100 0.0100 0.0100 0.0100 0.0100 0.0099 0.0099 0.0099 0.3037 ...
... 0.0 0.0 0.0748 1.6109 0.0 0.0 0.0962 0.0 6.2425 0.1758 0.0 ... ...
0.0 2.0517 0.0 0.0879 0.0 1.3207 0.0335 0.0 0.0 1.9823 0.4713 ... ...
0.0 0.0 1.3819 0.4345 0.0 0.1857 0.0 0.0987 0.0 0.3358 0.0 ... ...
0.0978 0.0 0.0 0.7117]
+
10
3
Enseguida se determina en base a:
= <


`
)
< < max
z
dz
dz i m
i
k
i
k
i
k
: , 0 1 0 1 y
siendo , y se seleciona un 6 2425 10
3
.
+
igual 0.95.
6) Encontrar el valor actualizado del vector de costo reducido y del vector dual a travs de
la formulacin, z z d
k k +
= +
1
z
k
y y y d
k k
y
k +
= +
1
:
z
0
= [ 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.9538 ...
... 1.0462 1.0114 0.9886 0.7549 1.2451 1.0146 0.9854 3.0469 0.0781 1.5207 ...
... 1.6043 2.0504 1.0746 1.5834 1.5416 1.8765 1.2485 1.5545 1.5705 2.0339 1.0911 ...
... 1.4504 1.6746 1.8911 1.2339 1.4592 1.6658 6.0734 6.4266 6.1562 6.3438 5.9306 ...
... 6.5694 6.1570 6.3430 6.9270 5.5730]
|
+
10
4
t

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lneal

76
y
0
1 ( )
= [[ 0.0462 -0.0114 0.2451 -0.0146 -1.4844 0.0418 -0.4879 -0.0209 -0.3140 0.0080 ....
... -0.4714 0.1121 -0.3286 0.1033 0.1766 0.0938 0.3194 0.0930 -0.6770]
|
+
10
4
t
7) Encontrar el primal actualizado x
x
s
k
=

, a travs de ( ) x D d
k
k
k
=
2
z :
x
0
1 ( )
= [10.0465 10.0327 10.0055 10.0055 10.0254 9.9569 9.8818 9.8763 9.9222 0.0304 ...
... -0.0304 -0.0075 0.0075 0.1611 -0.1611 -0.0096 0.0096 -0.3995 0.3995 0.0113 ...
... -0.0113 -0.1313 0.1313 -0.0056 0.0056 -0.0845 0.0845 0.0021 -0.0021 -0.1269 ... ...
0.1269 0.0302 -0.0302 -0.0884 0.0884 0.0278 -0.0278 0.0030 -0.0030 0.0016 ... ... -
0.0016 0.0054 -0.0054 0.0016 -0.0016 -0.0114 0.0114
|
t
8) Si el siguiente criterio se satisface gap ,
donde
c x b y
c x
tolerancia
k
t k t k
t k
+
+

=

+

1
1
5
10
10
.
) (1
J c x
primal
= y J b
daul
t
= y .
J
dual
=
+
16467 10
4
. , , por tanto J
primal
= 89 75 . gap = 180 45 . , que no cumple con la tolerancia,
por lo que se vuelve al paso 2 y se inicia otra iteracin, continuando con el proceso hasta
que se cumpla con el criterio establecido. En 6 iteraciones de PL se cumpli el criterio. Al
ltimo x
0
se le extraen los primeros nueve renglones ( que reprensenta el x de las
variables de estado) y se realiza una correccin mediante,
n
( ) ( )
x x
correg
1 10
= d :
( )
| |
x
correg
t
.
. . . . . . . . .
1
0 049 0 034 0 014 0 015 0 009 0 051 0 097 0 097 0111 =


Tenindose en la primera iteracin general los siguientes estimados de las variables
de estado:
( ) ( ) ( )
x x x
correg
1 0
= +
1

( )
x
1
1
1010 0 049 1059 = + = . . .
( )
x
2
1
1010 0 034 1044 = + = . . .
( )
x
3
1
1010 0 014 1024 = + = . . .
( )
x
4
1
1010 0 015 1025 = + = . . .

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lneal

77
( )
x
5
1
1010 0 009 1019 = + = . . .

( )
( ) x
6
1
0 0 0 051 0 051 = + = . . .

( )
( ) x
7
1
0 0 0 097 0 097 = + = . . .

( )
( ) x
8
1
0 0 0 097 0 097 = + = . . .

( )
( ) x
9
1
0 0 0111 0111 = + = . . .
Los valores estimados obtenidos en la primera iteracin general sern tomados
como datos de entrada para la segunda iteracin general, y as se continuar el clculo
hasta alcanzar la convergencia de acuerdo con la toleracia establecida ( ). En este caso
3 iteraciones generales fueron suficientes para satisfacer la tolerancia. Los resultados se
muestran y se comparan con los valores verdaderos en la tabla 3.2
5 10
3



.Tabla 3.2: Comparacin de variables de estado estimadas y verdaderas, del mtodo de punto interior
Voltaje estimado Voltaje verdadero Angulo estimado Angulo verdadero
1.0605 1.0600 0 0
1.0484 1.0475 -2.7728 -2.8073
1.0234 1.0242 -5.2435 -4.9975
1.0246 1.0236 -5.2655 -5.3297
1.0194 1.0180 -6.1534 -6.1508

Como se puede observar en las tablas 3.1 y 3.2 los estimados obtenidos por ambos
algoritmos fueron de buena calidad, dando con ello un excelente desempeo ante mltiples
errores, sin la aplicacin de un algoritmo de identificacin para eliminar errores.
Por otro lado si se comparan los estimados obtenidos por los algoritmos simplex
reformulado y affine-scaling dual, tabla3.3, se tiene:


Tabla 3.3: Comparacin de los algoritmos affine-scaling dual y simplex reformulado
Voltaje estimado
affine-scaling dual
Voltaje estimado
simplex
Angulo estimado
affine-scaling dual
Angulo estimado
simplex
1.0605 1.0607 0 0

Estimador Mediante Mnimos Valores Absolutos Ponderados Usando Programacin Lneal

78
1.0484 1.0487 -2.7728 -2.7624
1.0234 1.0239 -5.2435 -5.1866
1.0246 1.0253 -5.2655 -5.2122
1.0194 1.0358 -6.1534 -6.3539

Donde se puede observar que aunque los estimados obtenidos por ambos
estimadores son buenos, se observa un mejor comportamiento del algoritmo affine-scaling
dual (propuesto) que el algoritmo simplex reformulado.

CAPITULO IV


OBSERVABILIDAD Y COLOCACIN DE
MEDICIONES

4.1 Introduccin
En este captulo se presenta la teora de dos herramientas auxiliares en el
funcionamiento del estimador de estado. La primera est basada en un algoritmo de
observabilidad, que se encarga de verificar si el SEP en estudio es observable. La segunda
es un algoritmo que indica si existe necesidad de mediciones adicionales en nodos
determinados, con el fin de aumentar la exactitud de la solucin del estimador, adems de
identificar y evitar la creacin de posibles puntos de apalancamiento que causan que los
algoritmos de deteccin e identificacin fallen. Estos algoritmos fueron elegidos por su
sencillez de implementacin y calidad de resultados.

4.2 Observabilidad
Una parte importante del estimador de estado son las tcnicas de
observabilidad. Se dice que un SEP es observable si el conjunto de mediciones hace posible
la estimacin de estado. La observabilidad depende del nmero de mediciones y de su
distribucin geogrfica. Los sistemas son diseados para ser observables, pero
temporalmente pueden ser inobservables, debido a cambios topolgicos o fallas en los
sistemas de comunicacin.
El anlisis de observabilidad en los SEP ha sido objeto de numerosos trabajos en
aos recientes. Los mtodos propuestos de observabilidad pueden dividirse en dos grandes
grupos; lo que usan clculos de punto flotante[30,31,62,63] y los que no lo
usan [27, 65-69].
1) Entre las tcnicas del primer grupo, estn los mtodos que utilizan el concepto de
observabilidad de la teora de control lineal[62], y los mtodos que usan la factorizacin

Observabilidad y Colocacin de Mediciones
80

triangular de la matriz de ganancia y una solucin linealizada de la estimacin de
estado[30,31,63].
2) El segundo grupo son las tcnicas que no utilizan operaciones de punto flotante; y se
compone por mtodos que verifican la conectividad de la matriz jacobiana [64]; los que
analizan la red y su topologa [65,66]; las llamadas tcnicas de grafo orientado que son de
naturaleza combinatoria [67,68,27].
Matemticamente la observabilidad de la red est relacionada con el rango de la
matriz Jacobiana H. Sin embargo, el rango de la matriz es muy sensible a los valores
numricos de sus elementos, lo que hace que el sistema pueda ser inobservable, por lo que
se han propuesto mtodos que usan tcnicas combinatorias [64-69], que no toman en cuenta
las operaciones de punto flotante. Estos resultan ser bastante complejos en su
implementacin y adems, computacionalmente caros.
El mtodo que se utilizar en este estudio forma parte de los mtodos que utilizan
tcnicas de clculo con operaciones de punto flotante, ya que presenta facilidad en su
implementacin, adems de resultados satisfactorios cuando se aplica en redes con
suficiente redundancia.

4.3 Mtodo de observabilidad de Monticelli- F. Wu [30,31]
En la etapa de diseo del observador surge una pregunta: Existen suficientes
mediciones para hacer posible la estimacin de estado?
La observabilidad depende del nmero de mediciones y de su distribucin
geogrfica. Para la observabilidad de la red, slo interesan las mediciones de los flujos de
potencia. Dado un vector de estado , el flujo de potencia a travs de la lnea que conecta
los nodos k y m se puede aproximar por

k
i
x
m

. Para la observabilidad slo interesa el


hecho de si el flujo es cero o no. Por tanto, por simplicidad, la reactancia se supone x
i
= 1
y el flujo ser igual a la diferencia
i k m
= . Usando la matriz de incidencia de la
red, el conjunto de flujos,
A
, puede escribirse como:
= A
t
(4.1)
De otra manera, dado el vector de estado , el conjunto de mediciones resulta:

Observabilidad y Colocacin de Mediciones
81

= H (4.2)
Para el modelo de potencia real hay dos tipos de mediciones:
1) Flujo de Lnea: Si la i -sima medicin es el flujo de lnea que va del nodo k al m,
entonces:

i i
k m
i h h =

(
............ (4.3)
2) Inyeccin: Si la i -sima medicin es la inyeccin en el nodo k , que est conectado
con los nodos m n l , y , entonces:

i
l
l
k
m
m
n
n
h h = h

(
- - (4.4)
donde: = + + h h h
m n l
Para el modelo de potencia reactiva hay un tipo de medicin adicional, que es la
medicin de magnitud de voltaje. La correspondiente al modelo real sera la medicin del
ngulo de voltaje; aunque sta no se encuentra disponible en la prctica, es til
considerarla.
3) Voltaje: Si la i -sima medicin es el ngulo del voltaje en el i -simo nodo entonces:

i
i
=

(
......... .......... 1 (4.5)

4.3.1 Determinacin de estados observables
Una red se dice observable si cualquier flujo de la red puede ser observado por
algn tipo de indicacin en el conjunto de mediciones. Es decir, siempre que haya cualquier
flujo no-cero en la red, al menos una de las mediciones debera ser no-cero. Esto es
equivalente a decir que la red es observable si, siempre que todas las mediciones sean igual
a cero, implica que todos los flujos son cero. Cuando una red es no-observable, significa
que es posible tener todas las mediciones cero, an teniendo flujos no-cero en la red. En
tales casos, aquellas ramas que tienen flujo no-cero sern llamadas ramas inobservables.
As, una red se dice observable si para toda tal que H A
t
= = 0 0 y .
Cualquier estado

para el cual H A
t
=

0 y 0 , es llamado un estado
inobservable.

Observabilidad y Colocacin de Mediciones
82

Teorema 4.3.1.- Asuma que no hay medicin de ngulos de voltaje, entonces los
siguientes enunciados son equivalentes:
(i) La red es observable.
(ii) Sea que H se obtiene de H al borrar cualquier columna, entonces H es de rango
completo.
(iii) La factorizacin triangular reduce la matriz de ganancia G H H
t
= a la siguiente
forma:
0

donde el rea sombreada corresponde a posibles elementos no-cero.
Prueba:
Postulado: ; donde A v
t
= = 0
| |
v
t
= 111 1 , , , ... , y es cualquier nmero real.
Si = v entonces:
( ) ( ) A v A v
t t
= = = 0 0 (4.6)
Tambin, para todo tal que H = 0, se dice que es observable. Sea la matriz H que
resulta de eliminar la -sima columna n de H ,
| | H h
n
n
,

(
=

0 (4.7)
que equivale a:
H h
n n
+ = 0 y sea
n
= 1: (4.8)
H h H v
n n
= =

y
1
h
n
(4.9)
donde v
n1
, es igual a v , excepto que solo contiene n 1 componentes.
Enunciado: H es de rango completo, entonces se dice que H tambin es de rango pleno
ya que la ltima columna es una combinacin lineal de las primeras ( ) columnas , n 1

Observabilidad y Colocacin de Mediciones
83

H = = 0 0 (4.10)
si H es de rango completo H H
t
es no-singular.
| |
H H
t
= 0 donde es un vector de ( ) n 1 componentes. Suponga que existe una
solucin con 0. Entonces premultiplicando por
t
se tiene:

t
t
H H = 0
y sabiendo que y y
t
es slo una suma de cuadrados por lo que: y y y
t
= = 0 0 por
tanto :
H = = 0 0 (4.11)
Esto contradice la suposicin de que 0, y por lo tanto, H H
t
es de rango pleno, lo
cual significa que la combinacin es linealmente independiente.
Ahora premultiplicando la ecuacin (4.9) por H
t
se tiene
H H v H h
t
n
t
n
=
1
(4.12)
y despejando v
n1
en (4.12) se tiene:
( )
v H H H
n
t t
n

=
1
1
h (4.13)
premultiplicandola con H
t
en la ecuacin (4.8) y despejando para se tiene:
( )
=

H H H h
t t
n n
1
(4.14)
usando la ecuacin (4.13) en (4.14) queda:
=

v
n n 1
(4.15)
Sea
( )
H H h
n
= ,
Por tanto:
| |
G
H
H
H h
H H H h
h H h h
t
n
t t
n
t t
n
=

(
=

(
, (4.16)

Como G es no-singular, al triangularizarse tomar la forma de mostrada en (iii). As el
teorema implica que una red ser observable si y slo si el problema de estimacin de
estado puede resolverse con una solucin nica.

Observabilidad y Colocacin de Mediciones
84


4.3.2 Determinacin de estados no-observables
Cuando la red es no observable, se procede a encontrar un estado inobservable, que
es una solucin de H = 0. La solucin es sensitiva a los valores numricos de los
elementos de H , as como a los errores introducidos durante el proceso [70,14], lo cual es
altamente indeseable.
Cuando la red dada es no-observable, la factorizacin triangular de G se reduce a la forma
siguiente:
(4.17)

a
0 =

b
0
Una manera alternativa de obtener el mismo estado inobservable ( )
a b
, es:
(i) Reemplazar los elementos diagonales de la matriz inferior derecha por 1s.
(ii) Reemplazar el lado derecho correspondiente de (4.17) por ( ) 0 1 , ..........
t
.
(iii) Resolver la ecuacin resultante
(4.18)

a
0
=
11
1

b
.
1
Note que (4.18) es idntica a la ecuacin de estimacin de estado (2.13) con las
pseudomediciones de los ngulos de voltaje en los nodos correspondientes a
b
, y todas las
otras mediciones puestas en cero.

Observabilidad y Colocacin de Mediciones
85

Teorema 4.3.2 .- En la factorizacin triangular de G, si se encuentra un pivote cero,
entonces el resto del rengln y la columna son cero, esto es, G toma la forma:
(4.19)

. . .
0
0
.
.
0
Prueba:
Sea
|
H H h H =
1 2 3
|
, donde h
2
es una columna, ahora:

| |
G
H
h
H
H h H
H H H h H H
h H h h h H
H H H h H H
t
t
t
t t t
t t t
t t t
=

(
(
(
=


(
(
(
1
2
3
1 2 3
1 1 1 2 1 3
2 1 2 2 2 3
3 1 3 2 3 3
(4.20)
La factorizacion triangular reduce G a:

q
q
t
p
donde:
( )
p h h h H H H H h
t t t t
=

2 2 2 1 1
1
1 2
(4.21)
( )
q h H h H H H H H
t t t t
=

2 3 2 1 1
1
1 3
(4.22)

Observabilidad y Colocacin de Mediciones
86

La situacin es que se tiene que p = 0. Se prueba la siguiente aseveracin: G es
no-singular y p = 0 si y slo si las columnas de son linealmente independientes y H
1
h H
2 1
= para algn vector .
Por sustitucin de h H
2 1
= en la expresin (4.21) para p , se obtiene p = 0.
Suponga que las columnas de ( ) H h
1 2
son linealmente independientes, entonces la
matriz,
H H H h
h h h h
t t
t t
1 1 1 2
2 1 2 2

(
(4.23)
es no-singular. El determinante de la matriz (4.23) es igual al producto
. Ya que es no-singular,
( )
( ) det det H H p
t
1 1
G p 0 . Hemos llegado a una
contradiccin. Por lo tanto se prueba la aseveracin. Usando el resultado de que p = 0
implica h H
2 1
= , sustituyendo en , se obtiene q q = 0.
La implicacin de este teorema es que siempre que se encuentre un pivote cero,
durante el proceso de factorizacin triangular de , el correspondiente G pertenece a
b
,
y puede serle asignado un valor arbitrario en la obtencin de un estado inobservable. En
otras palabras, el pivote cero en se reemplaza por un 1, y el correspondiente lado
derecho de
G
se reemplaza por el valor asignado a la pseudomedicin. La factorizacin
triangular puede entonces continuar. Una red es observable si y slo si hay un solo pivote
cero, que necesariamente se presenta al final, mientras que cuando la red es no-observable
se encuentran ms de un pivote cero en la factorizacin triangular de . G

4.4 Colocador de mediciones [71]
La exactitud en la solucin de los estimadores de estado depende de la calidad de
los datos, as como de una buena configuracin y redundancia. La calidad de los datos
puede ser mejorada utilizando dispositivos de medicin de alta calidad y mejores sistemas
de comunicacin. En cuanto a la configuracin, sera preciso disear adecuadamente los
puntos de medicin y as obtener una suficiente redundancia para filtrar el ruido aleatorio
asociado con los datos, y mejorar la deteccin e identificacin de datos errneos, ya que la

Observabilidad y Colocacin de Mediciones
87

baja redundancia causa que los estimadores sean muy sensibles al ruido y limita la
capacidad de deteccin e identificacin de datos errneos.
Debido a lo anterior surge la necesidad de utilizar algn algoritmo que ayude a
colocar mediciones en puntos estratgicos, con el fin de obtener mejores estimados de las
variables de estado del SEP; en la literatura se han reportado una gran variedad de
ellos [72-76].
En este trabajo se har uso de un algoritmo colocador de mediciones propuesto en la
referencia[71], que slo fue aplicado al estimador de mnimo cuadrados ponderados (WLS)
y ser extendido su uso al estimador de mnimo valor absoluto ponderado (WLAV). Este
algoritmo colocador es aplicado en este trabajo por su facilidad de implementacin y los
resultados satisfactorios que presenta. Los objetivos de este algoritmo son:
Aumento de exactitud en la solucin, mediante el incremento de redundancia local.
Detectar mediciones crticas, mediciones de punto de apalancamiento, as como tambin
evitar la creacin de nuevos puntos de apalancamiento que puedan ser causadas por la
incrustacin de nuevas mediciones.

4.4.1 Teora del colocador de mediciones
Como se mencion con anterioridad, la solucin del estimador depende de la
calidad de los datos, nivel de redundancia y del tipo de medicin utilizada. Una indicacin
significativa del desempeo del estimador de estado son los errores de varianza, que se
definen mediante:
= x x$ (4.24)

y pueden obtenerse por la matriz de covarianza C

R
n n
:
( ) ( )
{ }
( )
C E x x x x
H R H
t
t
=
=

$ $

-1
1
(4.25)
Donde E es el valor esperado, x es el estado verdadero y $ x es el estado estimado.
Estadsticamente la varianza de los errores del estimador de estado, estn dados por los
elementos diagonales de C en la ecuacin (4.25), y estos representan las distancias al

Observabilidad y Colocacin de Mediciones
88

cuadrado de los estimados respecto de su valor verdadero. Siendo las varianzas pequeas
indicativo de una buena solucin para el estimador de estado.
Para el modelo linealizado, el vector residual de mediciones es:
r z H x = (4.26)
y est relacionado con el vector de medicin residual dado por:
r S e = (4.27)
donde:
S I K = (4.28)
K H C H R
t
=
1
(4.29)
Por tanto, los residuales de las mediciones pueden expresarse como una funcin de los
elementos de K :
( ) r I K e = (4.30)
donde I es la matriz identidad de m m , S es llamada la matriz de sensitividad residual
con dimensiones de , m m e vector de ruido aleatorio asociado a cada medicin de
dimensin y m K es una matriz de covarianza de m m [77,78].

4.4.2 Incremento de la precisin
La reduccin de la varianza de los errores se realiza a travs de la localizacin e
incorporacin del tipo de medicin adicional que se necesita para mejorar la calidad de la
solucin en el estimador de estado. El algoritmo determina las varianzas de error
asociadas a las variables de estado, mediante los elementos diagonales de la matriz de
covarianza
n
C en la ecuacin (4.25). A partir de C se determina cal de las varianzas
presenta mayor error y a qu nodo se asocia ste. Para ser preciso, todos los nodos se
ordenan basados en las varianzas estimadas en , debido a que cada nodo est asociado
a dos variables de estado (
C
i i ,
V , ) se puede asociar la varianza de error de las variables de
estado con la exactitud del nodo respectivo.
Para mejorar la calidad de la solucin, el algoritmo identifica una lista de
mediciones candidato para cada nodo seleccionado por baja exactitud. Las mediciones
candidato (inyecciones, flujos) son aquellas que no se encuentran disponibles en el nodo
seleccionado por baja exactitud o en los nodos vecinos. La adicin de las mediciones

Observabilidad y Colocacin de Mediciones
89

candidato incrementa la redundancia local y reduce la varianza de los errores en el nodo
respectivo. Al adicionar mediciones candidato en el nodo apropiado, se tendr que
verificar que la medicin candidato no crear un punto de apalancamiento.

4.4.3 Concepto de mediciones de punto de apalancamiento [78,79]
Las mediciones de punto de apalancamiento son un concepto asociado con la
palanca mecnica, ya que en ese punto la pendiente de la recta cambia de positivo a
negativo. En general existen tanto malos como buenos puntos de apalancamiento. En los
primeros se puede decir que si un punto ( ) x y
k k
, tiene a lejos de la mayora de las
en la muestra, ser un mal punto de apalancamiento. Un buen punto de apalancamiento se
puede considerar si ( se encuentra muy cerca del ajuste. Lo anterior se refiere slo al
potencial de afectar los coeficientes de regresin.
x
k
x
i
) x y
k k
,
Se presenta un ejemplo para la mejor comprensin del concepto de punto de
apalancamiento. Se desea ajustar una recta a los siguientes puntos:

x 1 2 3 4 5
y 1.1 2.2 3.3 4.4 5.5

La ecuacin de la recta tiene la siguiente forma $ y a x a = +
1 2 2
x
donde son
coeficientes de regresin, por tanto despus de haber obtenido estos coeficientes, se obtiene
la recta estimada:
a a
1
y
$ . y = 11 (4.31)
Suponga que se comete un error de los ms comn, teclear mal, de tal manera que el
punto (1,1.1) se convierte en el punto (15,1.1), esto modifica la ecuacin estimada
radicalmente:
$ . . y x = 4 336 01787 (4.32)
Si se grfican ambas respuestas, se tiene la Figura 4.1:


Observabilidad y Colocacin de Mediciones
90

0 5 10 15
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
(4.32)
(4.31)

Fig. 4.1: Comparacin grfica de las ecuacines (4.31) y (4.32)

Se puede observar que el punto de apalancamiento malo, caus un cambio en la
pendiente de la recta y ejerci una atraccin en los dems puntos, causando un mal
estimado, todo debido a su lejana con respecto a los dems datos en el espacio de
regresin. En cambio los puntos de apalancamiento buenos no contienen errores grandes, lo
cual mejora la exactitud de los estimados. Sin embargo, estos puntos pueden disimular la
presencia de datos errneos en la interaccin con los dems datos. Este efecto de
enmascaramiento produce residuales normalizados pequeos asociados con los datos
errneos, lo cual hace su deteccin imposible. Este efecto se puede ver en los residuos del
ejemplo. El residuo y y
1 1
05555 = $ .
y y r
5 5 5
con respecto a la ecuacin (4.32) es bastante
pequeo si se compara con 2 0575 = = $ . r
2
17788 = . , de esto se puede interpretar
que los datos atpicos son los puntos ( )
5
x y
5
, y ( ) x y
2 2
, , cuando en realidad el dato
atpico es ( . As que al decidir eliminar datos atpicos, se eliminarn los datos
buenos quedndose los datos equivocados.
) x y
1 1
,

4.4.4 Mediciones de punto de apalancamiento en SEP
La prueba del residual normalizado para la formulacin WLS puede fallar en la
deteccin y eliminacin de mltiples datos errneos al interactuar con las mediciones de
punto de apalancamiento[39]. Se ha demostrado que la formulacin WLAV tambin es
afectada de manera similar por el efecto de los puntos de apalancamiento[39]. Si bien la
exactitud de ambos estimadores en su solucin es beneficiada por los buenos puntos de

Observabilidad y Colocacin de Mediciones
91

apalancamiento, ambas formulaciones (y sus herramientas de post-estimacin para datos
errneos) son susceptibles a los datos errneos en los puntos de apalancamiento.
Normalmente se encuentran presentes un gran nmero de puntos de apalancamiento en las
configuraciones de mediciones existentes. Debido a esto se requiere un estudio que
identifique y evite la creacin de nuevos puntos de apalancamiento.
Las siguientes condiciones usualmente crean mediciones de punto de
apalancamiento [71,78]:
1) Mediciones de flujo y/o inyecciones en las terminales de lneas relativamente cortas.
2) Mediciones de inyeccin en nodos que tienen un gran nmero de vecinos inmediatos.

Para determinar puntos de apalancamiento se utiliza la ecuacin (4.29). Los
elementos de de la matriz de covarianza, representan la influencia de la medicin K
i j ,
j
sobre el valor estimado de la medicin , y , i K
i i ,
0 1 K
i i ,
[78], representa la influencia
de la i-sima medicin sobre la i-sima medicin estimada. Si esta influencia es alta es
decir si entonces la medicin es llamada punto de apalancamiento, y su valor
residual ser pequeo haciendo difcil la tarea de deteccin de datos errneos.
Geomtricamente da una medida de la distancia de la i -sima medicin al resto de
las mediciones. Cuando la correspondiente medicin es llamada medicin crtica
ya que su residual es cero, lo cual hace imposible la deteccin de datos errneos en estas
mediciones. Los puntos de apalancamiento pueden ser eliminados mientras se mantenga el
sistema observable.
K
i i ,
1
K
i i ,
K
i i ,
= 1
Para determinar la existencia de puntos de apalancamiento y la creacin de los
mismos, debido a la incorporacin de mediciones candidato, se consideran las lneas, la
topologa de datos y los elementos diagonales de la matriz K . Para ser preciso, se emplean
las siguientes ideas heursticas [71,78] basadas en los elementos diagonales de K . Esto es,
el algoritmo determina si:
a) K
i i ,

1

b) La reactancia de lneas conectadas en ese nodo es menor o igual que
2

c) El nmero de vecinos de ese nodo es mayor o igual que
3


Observabilidad y Colocacin de Mediciones
92

Donde:

1
2
=

|
\

|
.
|
n
m
; es el nmero de variables de estado del sistema y el nmero de
mediciones [78].
n m

2
: Es la reactancia promedio de todas las lneas de la red [71].

3
: Es el promedio de vecinos en la red [71].
Estos ndices se determinarn despus de varias pruebas de campo de una red en
particular. Una medicin ser considerada punto de apalancamiento si mantiene las
siguientes condiciones.
1) Si los incisos (a) y (b) anteriores cumplen para una medicin de flujo en lnea.
2) Si los incisos (a) y (b) (a) y (c) anteriores cumplen para una medicin de inyeccin.

4.4.5 Algoritmo de colocacin de mediciones
El algoritmo se resume en los siguientes pasos:
1) Captura de datos en tiempo real.
2) Encontrar todas las islas observables del SEP.
3) Calcular el de la ecuacin (4.25) para la isla observable seleccionada. Identificar los
posibles puntos de apalancamiento y las mediciones crticas de la isla seleccionada.
C
i i ,
4) Determinar una lista ordenada de los nodos con baja exactitud basados en los ndices de
. C
i i ,
5) Para el nodo seleccionado de la lista, encontrar todas las mediciones candidato.
6) Calcular el nuevo C para cada medicin candidato por separado, e identificar la
posible creacin de puntos de apalancamiento provocado por la adicin de alguna medicin
candidato.
i i ,
7) Despus de haber adicionado las mediciones candidato una a una, determinar cul de
ellas crea el ms pequeo y adicionarla en el sistema, siempre y cuando no genere un
punto de apalancamiento.
C
i i ,


Observabilidad y Colocacin de Medicines

93
8) Ir al paso 5 para analizar otro nodo o ir al paso 2 para analizar otra isla ; o parar.
Este algoritmo incrementar la calidad de las soluciones de estimacin de estado,
mediante la colocacin de mediciones en nodos de baja exactitud (aumento de redundancia
local), adems que evita la introduccin, creacin y disminucin de mediciones de punto de
apalancamiento en el sistema.

4.5 Ejemplo de aplicacin
El algoritmo de observabilidad y colocacin de mediciones presentado, se
ejemplifica con el sistema elctrico[28] de la figura 4.2, en el cual se consideraron 23
mediciones.
G
G
3 1
5
4
I V
FF F
F
I
I V V I V
2
F F
V
F

Fig. 4.2: Sistema de 5 nodos
* F: es flujo real y reactivo en lneas, I: es inyeccin real y reactiva, V: es magnitud de voltaje

El algoritmo primero determina si el sistema es observable mediante el mtodo de
F.Wu [31,32]. Por tanto, con las mediciones tomadas en el sistema de la figura 4.2, se
construye la matriz de incidencia utilizando la parte real de las mediciones de flujo e
inyeccin, resultando:

Observabilidad y Colocacin de Medicines

94
H
inc
=


(
(
(
(
(
(
(
(
(
(
(
(
2 1 1 0 0
0 1 0 1 2
0 1 1 3
0 0 0 1 1
0 0 0 1 1
1 0 1 0 0
0 0 1 1 0
0 0 1 1 0
1 0 1 0 0
1


despus se calcula la matriz de ganancia mediante , resultando: G H H
inc inc
t
inc
=
G
inc
=




(
(
(
(
(
(
6 2 4 0 0
2 3 2 2 1
4 2 6 5 1
0 2 5 14 7
0 1 1 7 7

y se triangulariza, obtenindose:
G
inc T ,
. .
. . .
. . =

(
(
(
(
(
(
1 0 33 0 66 0 0
0 1 0 28 085 0 42
0 0 1 140 0 40
0 0 0 1 1
0 0 0 0 0

Como se puede observar en la matriz slo se encuentra un cero en la diagonal,
indicando que el sistema es observable.
G
inc T ,
Despus de verificar que el sistema es observable se calculan tres ndices
importantes que sirven de umbrales para la identificacin de puntos de apalancamiento:

1
2 2
9
23
0 7826 =
|
\

|
.
|
=
|
\

|
.
|
=
n
m
.

2
3 = Nmero de vecinos promedio en la red.

3
01500 = . Reactancia promedio de todas las lineas.
Posteriormente se calcula la matriz jacobiana H y la matriz de covarianza C de
(4.25), obtenindose slo los elementos diagonales, que son los de inters, ya que indican
cules son los nodos con menor precisin en el sistema. As, se tiene:

Observabilidad y Colocacin de Medicines

95
C
i i ,
.
.
.
.
.
.
.
.
.
=








(
(
(
(
(
(
(
(
(
(
(


0 338
0 349
0 342
0 336
0 346
0 032
0 086
0 077
0 082
10
5

- indica elemento distintos de cero.
El siguiente paso es verificar si existen puntos de apalancamiento en el sistema,
debido a la mediciones consideradas. Esto se realiza mediante el clculo de los elementos
diagonales de la matriz K dada en la ecuacin (4.29), y son presentados en la Tabla 4.1
Tabla 4.1: Elementos diagonales de la matriz K
Medicin Valor Medicin Valor Medicin Valor Medici
n
Valor
1-I-real 0.928* 7-F-real 0.163 13-F-real 0.420 19-V 0.214
2-I-reactiva 0.921* 8-F-reactiva 0.159 14-F-reactiva 0.417 20-V 0.220
3-I-real 0.831* 9-F-real 0.163 15-F-real 0.420 21-V 0.218
4-I-reactiva 0.811* 10-F-reactiva 0.159 16-F-reactiva 0.418 22-V 0.222
5-I-real 0.626 11-F-real 0.218 17-F-real 0.218 23-V 0.215
6-I-reactiva 0.611 12-F-reactiva 0.209 18-F-reactiva 0.209
I-real (reactiva): Inyeccin real (reactiva), F-real (reactivo): Flujo real (reactivo), V:Voltaje, *:Indica presencia de punto de
apalancamiento

Basndose en los pasos para identificacin de puntos de apalancamiento, y habindose
calculado los umbrales
1 2 , , 3
, se determina si existen puntos de apalancamiento, por
lo que se evalan los elementos diagonales de la matriz K presentados en la tabla 4.1 con
los umbrales mencionados. Se observa que las mediciones 1, 2, 3, 4 resultaron ser posibles
puntos de apalancamiento.
Despus de determinar las varianzas de errores en las variables de estado por los
elementos diagonales de la matriz C, y habiendo identificado los posibles puntos de
apalancamiento, se procede ha ordenar los nodos para determinar cal es el que tiene
menor precisin, basado en la varianzas estimadas de los elementos diagonales de la

Observabilidad y Colocacin de Medicines

96
matriz C. Por tanto, la Tabla 4.2 presenta el ordenamiento correspondiente basado en el
tamao de su error:
Tabla 4.2: Ordenamiento de nodos segn su varianza
Nodo Varianza de error inicial ( ) C
i i ,
2 0 349 10
5
.


5 0 346 10
5
.


3 0 342 10
5
.


1 0 338 10
5
.


4 0 336 10
5
.


Enseguida se seleccionan los nodos con mayor varianza (en el caso del ejemplo solo se
selecciona el nodo 2), y se buscan las mediciones candidato que sern agregadas una a una
al conjunto de mediciones originales. Es decir que se requiere el clculo de los elementos
diagonales de C cada vez que se incorpore una medicin candidato, para poder ver cul
de ellas causa una menor varianza de error en el nodo sealado. Adems se verifica que las
nuevas mediciones no vayan a crear nuevos puntos de apalancamiento en el sistema. Los
resultados se presentan en la Tabla 4.3.
Tabla 4.3: Mediciones candidato para el nodo 2
Nodo
selecc.
Medicin
candidato
Nueva despus de colocar la
medicin candidato (una a la vez)
C
i i ,
Valor de y K
i i ,
I. P.A
2 Flujo 2-1
0 3422 10
5
.


0.568 (No)
Flujo 2-3
0 3383 10
5
.


0.364 (No)
Flujo 2-4
0 3390 10
5
.


0.339 (No)
Flujo 2-5
0 3389 10
5
.


0.480 (No)
Iny. en 2
0 3224 10
5
.


0.853 (Si)
I.P.A: Identificacin de puntos de apalancamiento
Como se observa en la Tabla 4.3, la medicin candidato que causa una menor
varianza al ser incorporada al conjunto de mediciones originales, es la inyeccin en el nodo
2. Sin embargo, sta crea un punto de apalancamiento, por lo que no ser la medicin que
se incluya en el conjunto de mediciones original. As, se opta por aadir la medicin de
flujo 2-5, debido a que adems de reducir la varianza de error, Tabla 4.5, tambin
desaparece puntos de apalancamiento del sistema, lo cual se puede verificar en la Tabla 4.4

Observabilidad y Colocacin de Medicines

97
Tabla 4.4: Elementos diagonales de la matriz K , despus de aadir la medicin candidato (flujo 2-5)
Medicin Valor Medicin Valor Medicin Valor Medicin Valor
1-I-real 0.920* 8-F-reactiva 0.153 15-F-real 0.418 22-V 0.214
2-I-reactiva 0.912* 9-F-real 0.157 16-F-reactiva 0.416 23-V 0.216
3-I-real 0.478 10-F-reactiva 0.153 17-F-real 0.183 24-V 0.216
4-I-reactiva 0.471 11-F-real 0.183 18-F-reactiva 0.177 25-V 0.213
5-I-real 0.596 12-F-reactiva 0.177 19-F-real 0.480
6-I-reactiva 0.584 13-F-real 0.418 20-F-reactiva 0.473
7-F-real 0.157 14-F-reactiva 0.415 21-V 0.212
I-real (reactiva): Inyeccin real (reactiva), F-real (reactivo): Flujo real (reactivo), V:Voltaje, *:Indica presencia de punto de
apalancamiento
Finalmente despus de haber agregado la medicin candidato, flujo 2-5, se observa
que la varianza de error del nodo 2 se redujo, as como en los dems nodos, Tabla 4.5.
Tabla 4.5: Varianza de error final
Nodo Varianza de error final ( ) C
i i ,
3 0 339 10
5
.


2 0 338 10
5
.


5 0 336 10
5
.


1 0 335 10
5
.


4 0 333 10
5
.



En este ejemplo se mostr la utilidad de los algoritmos de observabilidad y
colocacin de mediciones. El primero para hacer posible el proceso de estimacin y el
segundo para aumentar la redundancia local mediante la colocacin de mediciones y con
ello lograr que el estimador entregue mejores estimados.
CAPITULO V


RESULTADOS Y ANALISIS

5.1 Introduccin
En este captulo se comparan, analizan y muestran las caractersticas operativas del
estimador WLS basado en las ecuaciones normales y el estimador WLAV propuesto,
basado en la formulacin affine-scaling. Se estudia el desempeo de ambos estimadores
bajo los siguientes factores:
Influencia de la redundancia global ( ). Nm Nve /
Influencia de mltiples errores anormales en las mediciones.
Influencia del identificador de errores en el desempeo del estimador.
Influencia de las mediciones de punto de apalancamiento.


5.2 Condiciones de simulacin
Los estimadores que se prueban utilizan una formulacin completa. Las mediciones
recibidas en el CCE son modeladas y generadas mediante la solucin de un estudio de
flujos (soluciones verdaderas), a las cual se le adicionan errores aleatorios (que simulan
el ruido) con una distribucin normal de una varianza especificada y una media cero.
Las desviaciones estndar de las mediciones son seleccionadas como [39,43]: 0.01 pu,
0.004 pu, 0.008 pu, asignadas a las inyecciones, magnitudes de voltaje y mediciones de
flujo en lnea, respectivamente.
Los datos errneos en el conjunto de mediciones son modelados de la siguiente manera:
Las mediciones con valor cero indicarn prdida de informacin.
El cambio de signo de una medicin y/o el alteramiento significativo de la magnitud
de la medicin, representa el mal funcionamiento del equipo de recoleccin de datos.
La forma en que se evala la exactitud de los resultados estimados, es mediante el
siguiente criterio:
Ev Vexac Vestim =
$


Resultados y Anlisis

99

E exac estim =
$

donde:
Ev E , : Son los errores de las magnitudes de voltaje y fase respectivamente.
Vexac exac , : Son las magnitudes de voltaje y fase verdaderos, obtenidos de la
solucin de un estudio de flujos.
$ $
Vestim estim , : Son las magnitudes de voltaje y fase estimados, obtenidos de algn
estimador.
Los estimadores son probados en un SEP de 68 nodos, Figura 5.1.

2
3
N 55
16
15
1
9
6
13
11
4 5
8
7
N 41
N 40 N 48 N 47
N 1
N 31
N 30
N 62
N 63
N 46
N 38
N 33
N 2
N 25
N 53
N 60
N 26

N 3
N 18
N 27
N 17
N 28
N 16
N 15
N 14
N 29
N 24
N 61
N 21 N 22
N 19
N 6 N 12
N 20
N 8 N 5
N 34
N 35
N 9
N 51 N 45
N 7
N 44 N 37
N 39 N 43
N 65
N 54
N 49
N 42
N 10
N 13
N 59
N 23
N 11
N 66
N 67
N 68
N 58
N 57 N 56
N 4
N 9
N 64
N 36
i
i
i i
8
i
N 52
N 50
i
14
10
i i
i
i
i
i
i
i
i
i
i
i
i i
i
i
i
i
i i
i
i
i
i
i
i
i
i i
f
f f
f
f
f
f f
f
f
f
f
f
f
f
f
f
f
f
f
i
f
f f
f f
f
f
f
f
f
f
f
f
f
f
f f
f
f
f
f
f
f
f
f
f
f
f
N 32
f
12
i

Fig 5.1:Sistema elctrico de 68 nodos, con redundancia global de 1.496



Resultados y Anlisis

100

Los algoritmos se desarrollaron en MATLAB [80], y las corridas son realizadas en una
PC-Pentium de 133MHZ, para obtener el tiempo promedio de convergencia de los
estimadores.

5.3 Caso 1: Influencia de la redundancia global.
En este caso los estimadores WLS y WLAV son probados con diferentes
redundancias (1.496, 2.526, 3.496), para analizar su desempeo. Las simulaciones son
realizadas considerando solo errores normales (errores aleatorios que simulan ruido).
Las siguientes grficas ilustran el desempeo de ambos estimadores. Se grafican los
errores de magnitud y fase de ambos estimadores, basndose en el criterio establecido.



Redundancia de 1.496:
0 10 20 30 40 50 60 70
-1
-0.5
0
0.5
1
1.5
x 10(-3)
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV
0 10 20 30 40 50 60 70
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV

Fig. 5.2:Errores de magnitud Fig. 5.3:Errores de fase






Redundancia de 2.526:

Resultados y Anlisis

101

0 10 20 30 40 50 60 70
-8
-6
-4
-2
0
2
4
6
8
x 10 (-4)
nodos
p u
Errores:Mverd.-Mestim.
WLAV
WLS
0 10 20 30 40 50 60 70
-0.02
-0.01
0
0.01
0.02
0.03
0.04
0.05
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV

Fig. 5.4:Errores de magnitud Fig. 5.5:Errores de fase



Redundancia de 3.4963:
0 10 20 30 40 50 60 70
0
1
2
3
4
5
6
7
8
9
x 10 (-4)
nodos
p u
Errores:Mverd.- Mestim.
WLAV
WLS
0 10 20 30 40 50 60 70
-0.06
-0.05
-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
nodos
grados
Errores:Fverd.- Festim.
WLAV
WLS

Fig. 5.6:Errores de magnitud Fig. 5.7:Errores de fase




En la Tabla 5.1 se comparan de los tiempos de convergencia que se obtuvieron con
ambos estimadores.

Resultados y Anlisis

102


Tabla 5.1:Comparacin de iteraciones y tiempos
Redundancia
global
Iteraciones
generales
Tiempo promedio de
convergencia
WLS WLAV
1.496 7 5 T T
wlav wls
179 .
2.540 4 3 T T
wlav wls
356 .
3.496 4 3 T T
wlav wls
6 45 .

Como se observa en los resultados mostrados en las Figuras 5.2-5.7, el desempeo del
estimador WLAV fue ligeramente mejor, en niveles de redundancia 2.526 y 3.496, en
cambio en el nivel de 1.496 el estimador WLS tuvo mejores resultados. En la Tabla 5.1
se observa que el nmero de iteraciones generales result ser menor en el estimador
WLAV, aunque los tiempos de convergencia fueron mayores que los del estimador
WLS. Se observa que el estimador WLAV emplea aproximadamente un 70% del
tiempo de convergencia en la solucin de la primera iteracin general. Por otro lado se
observa en la Tabla 5.1 que ambos estimadores emplean menos iteraciones generales
conforme crece la configuracin de mediciones.

5.3.1 Modificacin del estimador WLAV
En un intento por reducir el tiempo de cmputo del estimador WLAV, se realiza una
modificacin en el mismo. Esta modificacin consiste en restringir el nmero de
iteraciones de PL. En este caso se consideran slo 5 iteraciones de PL, para observar su
desempeo en las diferentes redundancias. El estimador restringido WLAV-R es
comparado con los estimadores WLAV y WLS, con condiciones iguales a las del
punto 5.3.




Redundancia de 1.496

Resultados y Anlisis

103

0 10 20 30 40 50 60 70
-1
-0.5
0
0.5
1
1.5
x 10 (-3)
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV-R
WLAV
0 10 20 30 40 50 60 70
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV-R
WLAV

Fig. 5.8:Errores de magnitud Fig. 5.9:Errores de fase



Redundancia 2.540:
0 10 20 30 40 50 60 70
-2
-1.5
-1
-0.5
0
0.5
1
x 10(-4)
nodos
p u
Errores:Mverd.-Mestim.
WLAV
WLAV-R
WLS
0 10 20 30 40 50 60 70
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
nodos
grados
Errores:Fverd.-Festim.
WLAV
WLAV-R
WLS

Fig. 5.10:Errores de magnitud Fig. 5.11:Errores de fase




Redundancia 3.497:

Resultados y Anlisis

104

0 10 20 30 40 50 60 70
0
1
2
3
4
5
6
7
8
x 10(-4)
nodos
p u
Errores:Mverd.-Mestim.
WLAV-R
WLAV
WLS
0 10 20 30 40 50 60 70
-0.05
-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
nodos
grados
Errores:Fverd.-Festim.
WLAV-R
WLAV
WLS

Fig. 5.12:Errores de magnitud Fig. 5.13:Errores de fase

En la Tabla 5.2 se muestran los tiempos de convergencia obtenidos al comparar los
estimadores WLS, WLAV y WLAV-R.

Tabla 5.2:Nueva comparacin de iteraciones y tiempos de convergencia
Redundancia
global
Iteraciones
generales
Tiempo promedio de
convergencia
Iterac.
de PL
WLS WLAV WLAV-R WLAV WLAV-R
1.496 7 5 5 182 . T
wls
113 . T
wls
14 5
2.540 4 3 4 370 . T
wls
2 8 7 . T
wls
15 5
3.496 4 3 4 696 . T
wls
625 . T
wls
16 5

Como se observa en los resultados mostrados en las Figuras 5.8-5.13, el
desempeo del estimador WLAV-R es tan bueno como el del estimador WLS en el
nivel de 1.496, y tan bueno como el WLAV en los niveles de redundancia de 2.540 y
3.496. En la Tabla 5.2 se observa que el nmero de iteraciones generales result mayor
en el estimador WLAV-R al ser comparado con el estimador WLAV, ya que tom una
iteracin ms. En cambio el nmero de iteraciones generales fueron similares a los
obtenidos por el estimador WLS, excepto en el nivel de 1.496. Por otro lado, los
tiempos

Resultados y Anlisis

105

de cmputo obtenidos por el estimador WLAV-R fueron mejores que los del estimador
WLAV, aunque comparados con el estimador WLS siguen siendo mayores. En la Tabla
5.2 se puede observar que las iteraciones de PL empleadas por el estimador WLAV
crecen conforme aumenta la configuracin de mediciones.

5.3.2 Conclusiones del caso 1
El estimador WLAV presenta resultados tan satisfactorios como los del WLS, en los
diferentes niveles de redundancia.
El estimador WLAV-R es una alternativa atractiva en tiempos de cmputo y
resultados.
Los tiempos de cmputo obtenidos por los estimadores WLAV y WLAV-R son
superiores a los obtenidos por el estimador WLS, ya que estos utilizan un 70% del
tiempo de cmputo en la solucin de la primera iteracin general.
El nmero de iteraciones generales es menor en los estimadores WLAV y WLAV-R.
Los estimadores WLAV y WLAV-R mejoran su desempeo conforme se tienen
niveles de redundancia global ms grandes.

5.4 Caso 2: Comportamiento de los estimadores ante mltiples datos
errneos.
En este caso se incrustan 8 errores anormales en forma simultnea, las
mediciones a las que se les induce error, son seleccionadas en forma aleatoria. En este
caso no se hace uso de identificadores de errores, con el fin de observar el desempeo y
robustez de los estimadores WLS, WLAV y WLAV-R ante mltiples errores. El estudio
es dividido en dos procedimientos:

5.4.1 Errores mltiples fijos
En el primer procedimiento se seleccionan 8 mediciones en forma aleatoria y se
les induce un error anormal (cambio de signo o magnitud), Tabla 5.3. Las mediciones
con error anormal se encuentran en las configuraciones de mediciones determinadas,
con el propsito de observar el comportamiento de los estimadores WLS, WLAV y
WLAV-R (con 5 iteraciones de PL) en las diferentes redundancias y con los mismos
datos errneos en las mismas mediciones.

Resultados y Anlisis

106


Tabla 5.3: Mediciones con errores consideradas
Tipo de Medicin Valor original Valor alterado (error)
Iny_12_r -0.0889 0.0
Iny_31_rc -0.0021 0.0
Iny_49_r -1.6368 1.0
Iny_40_rc -0.6631 -2.0
Fluj_1-2_r -0.8315 -1.0
Fluj_51-45_rc 0.0136 -0.0136
Fluj_24-16_r 0.5680 3.0
Fluj_2-5_rc -0.4986 0..498
*Fluj_1-2_ r: Medicin de flujo entre las lneas 1-2 en su parte real; Iny_31_rc : Medicin de
inyeccin en el nodo 31 , en su parte reactiva


Redundancia de 1.496:
0 10 20 30 40 50 60 70
-4
-2
0
2
4
6
8
x 10(-3 )
nodos
p u
Errores:Mverd.-Mestim.
WLAV
WLAV-R
WLS
0 10 20 30 40 50 60 70
-2.5
-2
-1.5
-1
-0.5
0
0.5
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV
WLAV-R

Fig. 5.14:Errores de magnitud, (errores fijos) Fig. 5.15:Errores de fase, (errores fijos)




Redundancia de 2.540:

Resultados y Anlisis

107

0 10 20 30 40 50 60 70
-6
-4
-2
0
2
4
6
8
x 10(-3)
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV
WLAV-R
0 10 20 30 40 50 60 70
-1.4
-1.2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
nodos
grados
Errores:Fverd.-Festim.
WLAV-R
WLAV
WLS

Fig. 5.16:Errores de magnitud, (errores fijos) Fig. 5.17:Errores de fase, (errores fijos)



Redundancia de 3.496:
0 10 20 30 40 50 60 70
-3
-2
-1
0
1
2
3
4
5
x 10(-3)
nodos
p u
Errores:Mverd.-Mestim.
WLAV
WLAV-R
WLS
0 10 20 30 40 50 60 70
-1.4
-1.2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV
WLAV-R

Fig. 5.18:Errores de magnitud, (errores fijos) Fig. 5.19:Errores de fase, (errores fijos)




El desempeo de los estimadores en tiempos de convergencia e iteraciones
generales se muestra en la Tabla 5.4:

Resultados y Anlisis

108


Tabla 5.4:Comparacin de iteraciones y tiempos de convergencia con errores fijos
Redundancia
global
Iteraciones
generales
Tiempo promedio de
convergencia
Iterac.
de PL
WLS WLAV WLAV-R WLAV WLAV-R
1.496 6 5 6 190 . T
wls
131 . T
wls
14 5
2.540 4 3 4 381 . T
wls
30 . T
wls
15 5
3.496 4 3 4 657 . T
wls
5 32 . T
wls
16 5

Los resultados mostrados en las Figuras 5.14-5.17, muestran que el desempeo del
estimador WLAV fue superior a los estimadores WLS y WLAV-R. Se observa que el
estimador WLAV-R tiene un buen comportamiento en la estimacin de las fases,
aunque su desempeo es menos satisfactorio en la estimacin de magnitudes; a pesar de
esto, se puede considerar que tiene un mejor comportamiento que el estimador WLS,
cuyo comportamiento, tanto en fases como magnitudes, no fue satisfactorio. Se observa
en las Figuras 5.14-5.17 que el desempeo de los estimadores WLAV y WLAV-R no es
afectado significativamente por la configuracin de mediciones, ni por los errores
provocados. En la Tabla 5.4 se puede observar que el nmero de iteraciones generales
en los estimadores WLAV, WLAV-R y WLS, as como el nmero de iteraciones de PL
en el estimador WLAV, crecen conforme aumenta la configuracin de mediciones. Se
puede observar que el nmero de iteraciones generales y de PL, no son afectados
significativamente por la inclusin de errores en las mediciones. En cuanto a los
tiempos de cmputo obtenidos el estimador WLAV-R es mejor que el estimador
WLAV, aunque al compararse con el estimador WLS siguieron siendo mayores.






5.4.2 Errores mltiples mviles
En el segundo procedimiento se seleccionan 3 grupos de 8 mediciones de
diversas partes del SEP, en forma aleatoria, a las cuales se les provoca un error grande,

Resultados y Anlisis

109

para observar y analizar el comportamiento de los estimadores ante mltiples errores, y
observar si tiene influencia la redundancia en el desempeo de los mismos. En este
punto el estimador WLAV-R utiliza 8 iteraciones de PL, con el objeto de observar su
desempeo.

Redundancia de 1.496:
En la tabla 5.5 se muestran los tres grupos de mediciones seleccionadas de entre
las mediciones que componen la configuracin de mediciones (Figura 5.1) del SEP.

Tabla 5.5:Grupos de mediciones errneas, para el nivel 1.496
Caso 1 Caso 2 Caso 3
Iny_20_r = -(Iny_20_r) Iny_23_r = -(Iny_23_r) Iny_24_r = -(Iny_24_r)
Iny_29_r = 0.0 Iny_31_r = 0.0 Iny_33_r = 0.0
Iny_47_rc = -(Iny_47_rc) Iny_49_rc = -(Iny_49_rc) Iny_51_rc = -(Iny_51_rc)
Fluj_3-4_rc = 0.0 Fluj_4-5_rc = 0.0 Fluj_5-6_rc = 0.0
Fluj_27-17_r = 0.0 Fluj_28-26_r = 0.0 Fluj_32-33_r = 0.0
Fluj_36-9_rc=-(Fluj_36-9_rc) Fluj_46-38_rc=-(Fluj_46-38-rc) Fluj_51-45_rc=-(Fluj_51-45-rc)
Fluj_55_10_rc=-(Fluj_55-10_rc) Fluj_57-20_rc = -(Fluj_57-20_rc) Fluj_61-29_rc = -(Fluj_61-29-rc)
Fluj_6-7_r = -(Fluj_6-7_r) Fluj_15-16_r = -(Fluj_15-16_r) Fluj_23-22_r = -(Fluj_23-22_r)
Iny_k_r: Inyeccin en el nodo k parte real; Fluj_k-j_rc:Flujo entre los nodos k y j parte reactiva











Caso 1:

Resultados y Anlisis

110

0 10 20 30 40 50 60 70
0
0.02
0.04
0.06
0.08
nodos
p u
Errores:Mverd.-Mestim.
WLAV
WLS
WLAV-R
0 10 20 30 40 50 60 70
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV
WLAV-R

Fig. 5.20:Errores de magnitud, caso 1, mviles Fig. 5.21:Errores de fase, caso 1, mviles





Caso 2:
0 10 20 30 40 50 60 70
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
0.1
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV
WLAV-R
0 10 20 30 40 50 60 70
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV
WLAV-R

Fig. 5.22:Errores de magnitud, caso 2,mviles Fig. 5.23:Errores de fase, caso 2, mviles








Caso 3:

Resultados y Anlisis

111

0 10 20 30 40 50 60 70
-0.04
-0.02
0
0.02
0.04
0.06
0.08
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV-R
WLAV
0 10 20 30 40 50 60 70
-1
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
nodos
grados
Errores:Fverd.-Festim.
WLS WLAV
WLAV-R

Fig. 5.24:Errores de magnitud, caso 3, mviles Fig. 5.25:Errores de fase, caso 3, mviles

Las iteraciones y tiempos promedios obtenidos para el nivel de redundancia de 1.496, se
muestran en la Tabla 5.6

Tabla 5.6:Iteraciones y tiempo de convergencia con mediciones errneas mviles, nivel 1.496
Caso Iteraciones
generales
Tiempo promedio de
convergencia
WLS WLAV WLAV-R
WLAV WLAV-R
1 7 5 5 2 0 . T
wls
12 8 . T
wls
2 7 5 5 198 . T
wls
13 6 . T
wls
3 6 5 5 182 . T
wls
17 3 . T
wls

Se puede observar en las Figuras 5.20-5.23 que el desempeo de los estimadores
WLAV y WLAV-R fueron superiores al estimador WLS. Se observa en 5.20-5.23 que
el estimador WLAV-R tuvo estimados tan buenos como los del estimador WLAV, con
el incremento de iteraciones de PL. En el caso 3, Figura 5.25, se puede observar que el
estimador WLAV-R, tuvo un mejor desempeo comparado con los estimadores WLAV
y WLS, ya que no se vi afectado en ninguno de sus estimados. En la Figura 5.25 se
observa que el estimador WLAV se vi afectado por los errores en la mediciones de
flujo
32-33 y 61-29, causando estimados errneos en los nodos 32 y 61. Una causa posible de
que los nodos 32 y 61 presenten un mal estimado, se puede deber a que los nodos 32 y

Resultados y Anlisis

112

61, pueden tener posibles puntos de apalancamiento, ya que cuentan con las
condiciones toplogicas necesarias para crear puntos de apalancamiento. Esto se puede
ver en las Figuras 5.26 y 5.27.

11
N 30
N 63
N 32
N 33
N 34 N 34
N 38
f
f
i
f
f
N 36 N 35
N 9
N 1
N 31
N 1
N 46
f

N 26
N 28
N 61
N 29
f f
f
f
i
9
N 25
N 27

Fig. 5.26: Medicin de flujo en la lnea 32-33 Fig . 5.27 Medicin de flujo de Lnea 61-29

Por otro lado, se observa en la Tabla 5.6 que el nmero de iteraciones generales
en los estimadores WLAV y WLAV-R son iguales entre si y son menores que los
obtenidos por el estimador WLS. La inclusin de errores en los 3 casos considerados no
causan variacin en el nmero de iteraciones generales. En cuanto a tiempos de
convergencia se observa que el estimador WLAV-R sigue teniendo menores tiempos de
cmputo que el estimador WLAV, aunque an siguen teniendo tiempos mayores que el
estimador WLS. Se observa tambien que los tiempos de cmputo varan ligeramente
segn el caso aplicado.

Redundancia de 2.540
En la Tabla 5.7 se muestran los grupos de mediciones seleccionadas, as como la
alteracin que sufren cada una de ellas.






Resultados y Anlisis

113

Tabla 5.7:Grupos de mediciones errneas, para el nivel 2.540
Caso 1 Caso 2 Caso 3
Iny_1_r = -(Iny_1_r) Iny_2_r = -(Iny_2_r) Iny_3_r = -(Iny_3_r)
Iny_16_r = 0.0 Iny_17_r = 0.0 Iny_18_r = 0.0
Iny_31_rc = -(Iny_31_rc) Iny_32_rc = -(Iny_32_rc) Iny_33_rc = -(Iny_33_rc)
Iny_46_rc = 0.0 Iny_47_rc = 0.0 Iny_48_rc = 0.0
Fluj_6-5_r = 0.0 Fluj_11-10_r = 0.0 Fluj_24-16_r = 0.0
Fluj_16-17_rc=-(Fluj_16-17rc) Fluj_21-22_rc=-(Fluj_21-22-rc) Fluj_9-30_rc=-(Fluj_9-30-rc)
Fluj_3-18_rc = -(Fluj_3-18_rc) Fluj_6-7_rc = -(Fluj_6-7_rc) Fluj_13-14_rc = -(Fluj_13-14-rc)
Fluj_1-2_r = -(Fluj_1-2_r) Fluj_4-5_r = -(Fluj_4-5_r) Fluj_6-11_r = -(Fluj_6-11_r)
Iny_k_r: Inyeccin en el nodo k parte real; Fluj_k-j_rc:Flujo entre los nodos k y j parte reactiva






Caso 1:
0 10 20 30 40 50 60 70
-4
-2
0
2
4
6
8
10
12
14
x 10(-3)
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV-R
WLAV
0 10 20 30 40 50 60 70
-1
0
1
2
3
4
5
6
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV-R
WLAV

Fig. 5.28:Errores de magnitud, caso 1, mviles Fig. 5.29:Errores de fase, caso 1, mviles













Resultados y Anlisis

114

Caso 2:
0 10 20 30 40 50 60 70
-4
-2
0
2
4
6
8
10
12
x 10(-3)
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV
WLAV-R
0 10 20 30 40 50 60 70
-1
0
1
2
3
4
5
6
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV
WLAV-R

Fig. 5.30:Errores de magnitud, caso 2, mviles Fig. 5.31:Errores de fase, caso 2, mviles




Caso 3:
0 10 20 30 40 50 60 70
-2
0
2
4
6
8
10
12
14
16
x 10(-3)
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV
WLAV-R
0 10 20 30 40 50 60 70
-1
0
1
2
3
4
5
6
nodos
grados
Errores:Fverd.-Festim.
WLAV-R
WLAV
WLS

Fig. 5.32:Errores de magnitud, caso 3, mviles Fig. 5.33:Errores de fase, caso 3, mviles

Las iteraciones y tiempos promedios obtenidos para el nivel de redundancia de 2.540, se
muestran en la Tabla 5.8.





Resultados y Anlisis

115

Tabla 5.8: Iteraciones y tiempo de convergencia con mediciones errneas mviles, nivel 2.540
Caso Iteraciones
generales
Tiempo promedio de
convergencia
WLS WLAV WLAV-R
WLAV WLAV-R
1 4 3 3 3 90 . T
wls
3 0 9 . T
wls
2 4 3 3 365 . T
wls
2. 85 T
wls
3 4 3 3 3 66 . T
wls
2. 83 T
wls

Se observa en las Figuras 5.28-5.33 que el desempeo de los estimadores
WLAV y WLAV-R fue superior al estimador WLS. Los resultados obtenidos por el
estimador WLAV-R resultaron ser tan buenos como los obtenidos por el estimador
WLS. En las Figuras 5.28-5.33 se puede observar que los estimadores WLAV y
WLAV-R se vieron favorecidos por el incremento de redundancia y la ausencia de
posibles puntos de apalancamiento. Por otro lado, las iteraciones generales no se vieron
afectadas por la inclusin de errores. El nmero de iteraciones generales es mayor en el
estimador WLS. Si se compara el nmero de iteraciones obtenidos por los estimadores
en el nivel de redundancia de 1.496 con los obtenidos en el nivel de 2.540, se puede
observar una disminucin en el nmero de iteraciones geneales, debido al incremento
de la redundancia global. En cuanto a los tiempos de convergencia se observa poca
variacin por la inclusin de errores y se observan tiempos de convergencia menores en
el estimador WLAV-R.

Redundancia de 3.497:
En la Tabla 5.7 se muestran los grupos de mediciones seleccionadas, as como
la alteracin que sufren cada una de ellas.









Resultados y Anlisis

116

Tabla 5.9:Grupos de mediciones errneas, para el nivel 3.497
Caso 1 Caso 2 Caso 3
Iny_1_r = -(Iny_1_r) Iny_2_r = -(Iny_2_r) Iny_3_r = -(Iny_3_r)
Iny_16_r = 0.0 Iny_17_r = 0.0 Iny_18_r = 0.0
Iny_31_rc = -(Iny_31_rc) Iny_32_rc = -(Iny_32_rc) Iny_33_rc = -(Iny_33_rc)
Iny_46_rc = 0.0 Iny_47_rc = 0.0 Iny_48_rc = 0.0
Iny_68_r = 0.0 Fluj_18-3_r = 0.0 Fluj_7-6_r = 0.0
Fluj_5-6_rc=-(Fluj_5-6_rc) Fluj_8-9_rc=-(Fluj_8-9-rc) Fluj_12-13_rc=-(Fluj_12-13-rc)
Iny_61_rc = -(Iny_61_rc) Fluj_1-30_rc = -(Fluj_1-30_rc) Fluj_4-14_rc = -(Fluj_4-14-rc)
Iny_53_r = -(Iny_53_r) Iny_63_r = -(Iny_63_r) Fluj_2-3_r = -(Fluj_2-3_r)
Iny_k_r: Inyeccin en el nodo k parte real; Fluj_k-j_rc:Flujo entre los nodos k y j parte reactiva



Caso 1 :
0 10 20 30 40 50 60 70
-0.01
0
0.01
0.02
0.03
0.04
0.05
0.06
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV-R
WLAV
0 10 20 30 40 50 60 70
-10
-5
0
5
10
15
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV WLAV

Fig. 5.34:Errores de magnitud, caso 1, mviles Fig. 5.35:Errores de fase, caso 1, mviles












Caso 2:

Resultados y Anlisis

117

WLAV-R
0 10 20 30 40 50 60 70
-0.01
0
0.01
0.02
0.03
0.04
0.05
0.06
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV-R
WLAV
0 10 20 30 40 50 60 70
-10
-5
0
5
10
15
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV
WLAV-R

Fig. 5.36:Errores de magnitud,caso 2, mviles Fig. 5.37:Errores de fase, caso 2, mviles








Caso 3:
0 10 20 30 40 50 60 70
-0.01
0
0.01
0.02
0.03
0.04
0.05
0.06
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV-R
WLAV
0 10 20 30 40 50 60 70
-10
-5
0
5
10
15
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV-R WLAV

Fig. 5.38:Errores de magnitud, caso 3, mviles Fig. 5.39:Errores de fase, caso 3, mviles

En la Tabla 5.10 se muestran los grupos de mediciones seleccionadas, as como
la alteracin que sufren cada una de ellas.



Resultados y Anlisis

118

Tabla 5.10:Iteraciones y tiempo de mediciones de convergencia con errneas mviles, nivel 3.497
Caso Iteraciones
generales
Tiempo promedio de
convergencia
WLS WLAV WLAV-R
WLAV WLAV-R
1 4 3 4 6 24 . T
wls
5 7 2 . T
wls
2 4 3 4 6 24 . T
wls
5 7 9 . T
wls
3 4 3 3 3 24 . T
wls
5 7 5 . T
wls

Se puede observar en las Figuras 5.34, 5.36, 5.38 que el desempeo en los estimados
de magnitudes de los estimadores WLAV y WLAV-R es superior al estimador WLS. En
las fases se observan buenos desempeos salvo en los nodos 53 (caso 1) y 63 (caso3).
La Figura 5.35, muestra que los estimadores WLAV y WLAV-R, se vieron afectados en
sus estimados por el error de medicin en la inyeccin 53, que presenta una baja
redundancia local, ya que existe solo una medicin en ese nodo; adems que no cuenta
con ninguna medicin de flujo con el nodo vecino, Figura 5.40, aunado a esto, es
posible que la medicin sea un punto de apalancamiento, lo cual puede ser la posible
causa del mal estimado.
i
1
N 25
N 53
N 3
N 2
N 1
i v
f
v
N 25
ff
f f

Fig 5.40: Medicin de Inyeccin en el nodo 53

En la Figura 5.37 se observa que el estimador WLAV se vi afectado por el error en
la medicin de inyeccin 63, causando estimado errneos en el nodo 63, que presenta
una baja redundancia local, Figura 5.41, aunado a que puede ser una medicin de punto
de apalancamiento.

Resultados y Anlisis

119

11
i
i v
N 63
N 30
N 33
N 32

Fig 5.41: Medicin deInyeccin en el nodo 63

Se puede apreciar en las Figuras 5.34-5.39 que el estimador WLAV-R obtuvo los
mejores desempeos, ya que no se vi tan afectada por las mediciones errneas. Por
otro lado, el estimador WLAV requiri menor cantidad de iteraciones generales. El
estimador WLS sigue siendo el que ms iteraciones generales requiere. En cuanto a los
tiempos de convergencia se observa poca variacin por la inclusin de errores, y se
observan tiempos de convergencia menores en el estimador WLAV-R, aunque siguen
siendo mayores que el estimador WLS.

5.4.3 Conclusiones del caso 2
Al evaluar el desempeo de los estimadores con mltiples errores fijos en
diferentes niveles de redundancia se concluye que:
El desempeo del estimador WLAV es mejor que el del estimador WLAV-R, debido a
que el nmero de iteraciones PL no es el ms adecuado.
Los estimadores WLAV y WLAV-R presentan un buen desempeo mostrando su
propiedad de interpolacin para el rechazo de errores, en cambio el estimador WLS es
afectado fuertemente en su desempeo, quedando de manifiesto la necesidad de algun
identificador de errores.
Los tiempos de cmputo obtenidos por los estimadores WLAV y WLAV-R no son
afectados significativamente por la inclusin de errores.
Los estimadores WLAV y WLAV-R mejoran su desempeo ante mltiples errores
fijos conforme aumenta en nivel de redundancia global.



Resultados y Anlisis

120

Al evaluar el desempeo de los estimadores con mltiples errores mviles en
diferentes niveles de redundancia se concluye que:
El estimador WLAV-R mejora su desempeo al aumentar el nmero de iteraciones de
PL.
El estimador WLAV-R es menos sensible a los posibles puntos de apalacamiento, que
el estimador WLAV.
Los estimadores WLAV y WLAV-R presentan sensibilidad en su desempeo, ante los
errores en nodos de baja redundacia local,
El desempeo del estimador WLAV-R es tan bueno como el del estimador WLAV, en
ausencia de puntos de apalancamiento y ambos son mucho mejores que el estimador
WLS.
La variacin de los tiempos de cmputo por la inclusin de errores es ligera.

5.5 Caso 3: Influencia del identificador de errores en el desempeo del
estimador
Esta seccin tiene como objeto evaluar el desempeo de los estimadores WLS,
WLAV y WLAV-R ante mltiples errores que interactan entre si en nodos de alta y
baja redundancia local, as como la influencia que tiene el identificador en los
resultados del estimador de estado. Se aplica un identificador de errores al estimador
WLS y se compara con los estimadores WLAV y WLAV-R que no utilizan ningn
identificador, para observar que tan robustos son. El identificador que usa el estimador
WLS, est basado en el mtodo de identificacin y eliminacin (IBE) [14,26,32]. El
estudio no pretende hacer un estudio exhaustiva del desempeo del identificador, si no
slo se desea observar el impacto que tiene en los resultados del estimador WLS.
Tambin, se usa el observador de F.Wu [30,31] para verificar que el sistema sea
observable, al inicio de la estimacin, as como despus de que el identificador
encuentra una medicin errnea y procede a eliminarla del conjunto de mediciones
originales. El estudio es dividido en dos partes.



5.5.1 Errores mltiples que interactan entre si en nodos de alta redundancia local

Resultados y Anlisis

121

En este punto se seleccionan 2 nodos del SEP que contengan gran cantidad de
mediciones, tanto en el nodo en estudio, como en los nodos vecinos, es decir que
contengan una alta redundancia local, con el objeto de observar el comportamiento de
los estimadores WLS (con identificador), WLAV y WLAV-R ante mltiples errores que
interactan entre si. El primer nodo seleccionado es el 16, al cual se inducen 4 errores
anormales en forma simultnea en algunas de sus mediciones (crculos con asterisco),
la Figura 5.42 muestra el conjunto de mediciones que se encuentran disponibles, as
como las mediciones a las que se les indujo el error.
N 16
N 15
N 24
i
N 21
N 17
f
f*
f* f* f
f
i*
i v
v v
v i
v
N 19
f*
i v
i
f

Fig 5.42: Configuracin de mediciones con alta redundancia local en el nodo 16

Al realizar la corrida de los estimadores se encuentra que el identificador IBE
funcion correctamente en la identificacin y eliminacin de errores ( Fluj_19-16,
Fluj_16-19, Fluj_24-16, Iny_16) sin hacer inobservable el sistema en su proceso de
identificacin y eliminacin. Los resultados obtenidos se muestran en las Figuras 5.43
y 5.44. Donde se observa que los resultados entregados por el estimador WLAV son tan
buenos como los del estimador WLS con identificador. En cuanto al estimador
WLAV-R sus resultados son ligeramente inferiores a los obtenidos por lo estimadores
WLS y WLAV sin llegar a ser malos sus resultados.


Resultados y Anlisis

122

0 10 20 30 40 50 60 70
-6
-4
-2
0
2
4
6
8
x 10(-4)
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV
WLAV-R
0 10 20 30 40 50 60 70
-0.02
-0.015
-0.01
-0.005
0
0.005
0.01
0.015
0.02
0.025
nodos
grados
Errores:Fverd.-Festim.
WLAV-R
WLAV
WLS

Fig. 5.43:Errores de magnitud, alta redund. local Fig. 5.44:Errores de fase, alta redund. local

De la misma manera que el en nodo 16, se aplican 4 errores anormales en el
conjunto de mediciones del nodo 1, Figura 5.45.
N 1
N 31
N 27
N 47
N 30
N 2
f*
f f
i
i f
ff
i*
i
f
f*
f i*
f* f
i
i
v
v
v
v
v
v

Fig 5.45: Configuracin de mediciones con alta redundancia local en el nodo 1

En este caso identificador IBE funcion correctamente en la identificacin y
eliminacin de errores ( Fluj_47-1, Fluj_2-1, Fluj_30-1, Iny_16) sin hacer inobservable
el sistema. Los resultados son mostrados en las Figuras 5.46,5.47. Donde se observa
que los resultados de los estimadores WLAV y WLS con identicador siguen siendo
buenos y el estimador WLAV-R ligeramente inferior en su desempeo.


Resultados y Anlisis

123

0 10 20 30 40 50 60 70
-4
-3
-2
-1
0
1
2
3
4
5
x 10(-4 )
nodos
p u
Errores:Mverd.-Mestim.
WLAV-R
WLAV
WLS
0 10 20 30 40 50 60 70
-0.025
-0.02
-0.015
-0.01
-0.005
0
0.005
0.01
0.015
0.02
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV
WLAV-R

Fig. 5.46:Errores de magnitud, alta redund. local Fig. 5.47:Errores de fase, alta redund. local

Por otra parte, los tiempos de cmputo obtenidos consideran el tiempo que
toman los estimadores en converger y el tiempo que toma el proceso de identificacin y
eliminacin, en caso del estimador WLS. El tiempo que emplea el observador no es
tomado en cuenta, ya que slo se utiliza para verificar si el sistema es observable
despes de cada eliminacin. Los resultados son mostrados en la Tabla 5.11.

Tabla 5.11: Comparacin de tiempos de cmputo de los estimadores en alta redund. local
Casos con alta
redund. local
Tiempo promedio
de convergencia
WLS WLAV WLAV-R
1 11.50 9.20 7.50
2 12.19 9.30 7.55

donde se observa que el estimador WLS cuando usa el mtodo de identificacin emplea
ms tiempo en converger que los estimadores WLAV y WLAV-R.

5.5.2 Errores mltiples que interactuan entre si en nodos de baja redundancia local
En este punto se toman los mismos nodos que en el anterior punto. Solo que
ahora se consideran pocas mediciones, con el objeto de observar como se comportan los
estimadores WLAV, WLAV-R y WLS (con identificador), ante errores que
interactan


Resultados y Anlisis

124


entre si, en nodos de redundancia local baja. Las mediciones errneas son las mismas
que en el anterior punto y son mostradas en la Figura 5.48.
N 16
N 15
N 24
N 21
N 17
f
f*
f* f* f
i*
N 19
f*
f

Fig 5.48: Configuracin de mediciones con baja redundancia local en el nodo 16

En este caso identificador IBE no funcion correctamente ya que slo identific
dos errores ( Fluj_19-16, Iny_16) en vez de cuatro. Los resultados obtenidos se
muestran en las Figuras 5.49 y 5.50. Donde se observa que los resultados de los
estimadores WLAV y WLAV-R son mucho mejores que los del estimador WLS,
debido a que el identificador no elimin todos los errores. Una posible causa de la falla
del identificador, se puede deber a la posible presencia e interaccin con mediciones de
punto de apalancamiento que causaron un posible enmascaramiento de los errores o a la
baja redundancia local en ese nodo.

0 10 20 30 40 50 60 70
-2
-1
0
1
2
3
4
5
6
7
x 10( -3 )
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV
WLAV-R
0 10 20 30 40 50 60 70
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
nodos
grados
Errores:Fverd.-Festim.
WLAV-R
WLAV
WLS

Fig. 5.49:Errores de magnitud, baja redund. local Fig. 5.50:Errores de fase, baja redund. local


Resultados y Anlisis

125

En el caso del nodo 1 con baja redundancia local, Figura 5.51
N 1
N 31
N 27
N 47
N 30
N 2
i*
f*
i*
f*
i f*

Fig 5.51: Configuracin de mediciones con baja redundancia local en el nodo 1

En este caso identificador IBE no funcion correctamente ya que slo identific
un error (Fluj_1-2) acertadamente y identific errneamente otra medicin (Iny_53),
causando que el sistema se hiciera inobservable. Las posibles causas de la falla del
identificador, pudieron ser la baja redundancia local en ese nodo o la posible presencia
e interaccin con mediciones de punto de apalancamiento que causaron un posible
enmascaramiento de los errores. Como el sistema se hizo inobservable al eliminar la
medicin de Iny_53, los resultados no se mostrarn. Ahora, si se supone que los errores
se eliminaron correctamente, se obtienen los resultados, que se muestran en las
Figuras 5.52 y 5.53. Donde se observa que los resultados entregados por el estimador
WLS mejores que los obtenidos por los estimadores WLAV y WLAV-R sin que estos
lleguen a ser malos resultados.
0 10 20 30 40 50 60 70
-8
-6
-4
-2
0
2
4
6
8
10
12
x 10(-4 )
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV
WLAV-R
0 10 20 30 40 50 60 70
-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
0.03
0.04
0.05
nodos
grados
Errores:Fverd.-Festim.
WLAV-R
WLAV
WLS

Fig. 5.52:Errores de magnitud, alta redund. local Fig. 5.53:Errores de fase, alta redund. local

Los tiempo de cmputo obtenidos son mostrados en la Tabla 5.12

Resultados y Anlisis

126


Tabla 5.12: Comparacin de tiempos de computo de los estimadores en baja redund. local
Casos con baja
redund. local
Tiempo promedio de
convergencia
WLS WLAV WLAV-R
1 6.50 8.30 6.50
2 4.15** 8.15 6.31
**: tiempo tomado hasta antes de que el sistema se hiciera inobservable

En la que se observa que aunque el estimador WLS no identific correctamente,
los tiempos son similares a los obtenidos por el estimador WLAV-R.

5.5.3 Conclusiones del caso 3
El desempeo del estimador WLAV es tan bueno como el estimador WLS con
identificador, en casos con errores que interactan entre si en nodos de alta redundancia.
El estimador WLAV-R es afectado ligeramente en su desempeo, en casos con errores
que interactan entre si en nodos de alta y baja redundancia, sin que sus resultados sean
malos.
El desempeo del estimador WLS con identificador es ligeramente mejor que el
estimador WLAV en nodos de baja redundancia local. Siempre que el identificador
funcione satisfactoriamente.
El identificador IBE es afectado en su desempeo por la baja redundancia local y por
la posible presencia de mediciones de punto de apalancamiento, que producen un efecto
de enmascaramiento, haciendo difcil la deteccin de datos errneos.
Los tiempos de cmputo empleados por el estimador WLS con identificador son
mayores que los empleados por los estimadores WLAV y WLAV-R.







5.6 Caso 4: Influencia de las mediciones de punto de apalancamiento y la
colocacin de mediciones.

Resultados y Anlisis

127

El objetivo de este punto consiste en estudiar la influencia que tienen las
mediciones de punto de apalancamiento en el desempeo de los estimadores WLAV,
WLAV-R y WLS, as como el impacto que tiene la colocacin de mediciones en los
resultados de los estimadores. El estudio en dividido en 2 partes.

5.6.1 Influencia de las mediciones de punto de apalancamiento en los estimadores
Esta parte tiene como objetivo observar que el comportamiento que tienen los
estimadores WLAV, WLAV-R y WLS (con identificador), ante malas mediciones de
punto de apalancamiento, es decir, que se tienen errores anormales en mediciones de
punto de apalancamiento. Por tanto, para poder llevar a cabo el estudio se hace uso del
algoritmo de colocacin de mediciones descrito en el captulo 4 seccin 4.4.5, con el
objeto de identificar las posibles mediciones de punto de apalancamiento. Una vez
encontradas, se seleccionan algunas de ellas y se les inducen errores, para observar el
desempeo de los estimadores WLAV, WLAV-R y WLS (con identificador), buscando
qe efecto tiene sobre ellos.
Caso 1: Se induce un error en la medicin de Inyeccin 53, la cual es una medicin
crtica y se obtiene el siguiente resultado:
0 10 20 30 40 50 60 70
-20
-15
-10
-5
0
5
x 10(-4)
nodos
p u
Errores:Mverd.-Mestim.
WLS
WLAV
WLAV-R
0 10 20 30 40 50 60 70
-0.5
0
0.5
1
1.5
2
2.5
nodos
grados
Errores:Fverd.-Festim.
WLAV-R
WLAV
WLS

Fig. 5.54:Errores de magnitud, caso 1 Fig. 5.55:Errores de fase, caso 1

En este caso el identificador del estimador WLS no detecto ningun error, y como se
observa en las figuras 5.54 y 5.55 los tres identificadores se vieron afectados en la
estimacin del nodo 53.

Resultados y Anlisis

128


Caso 2: Se inducen errores en algunas mediciones de punto de apalancamiento que
interactan entre si, es decir, se encuentran alrededor de algn nodo. Las mediciones de
punto de apalancamiento con error, son: La medicin de flujo de la lnea 47-1, la
medicin de inyeccin 1. De igual manera se induce un error en la medicin de flujo de
la lnea 1-2, obtenindose:

0 10 20 30 40 50 60 70
-4
-3
-2
-1
0
1
2
3
4
x 10(-4)
nodos
p u
Errores:Mverd.-Mestim.
WLAV-R
WLAV
WLS
0 10 20 30 40 50 60 70
-0.15
-0.1
-0.05
0
0.05
0.1
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV
WLAV-R

Fig. 5.56:Errores de magnitud, caso 2 Fig. 5.57:Errores de fase, caso 2

En este caso el identificador slo detecto correctamente error, en la medicin de flujo
1-2, ya que despus identific errneamente la medicin de inyeccin 53, haciendo el
sistema inobservable al ser eliminada. Los resultados del estimador WLS, mostrados en
las figuras 5.56 y 5.57, son realizados bajo la suposicin de que el identificador detect
y elimin correctamente las mediciones errneas sin que el sistema se hiciera
inobservable. Se observa que el desempeo del estimador WLS es mejor siempre y
cuando el identificador funcione correctamente. Por otro parte, los estimadores WLAV
y WLAV-R presentan un buen comportamiento, salvo las ligeras desviaciones en las
estimaciones de los nodos 40, 47, 67.

Caso 3: En este caso se inducen errores en mediciones de punto de apalancamiento que
se encuentran dispersas en el SEP. Las mediciones a las que se les indice el error, son:
Las mediciones de inyeccin 38, 25, 16, 36.

Resultados y Anlisis

129


0 10 20 30 40 50 60 70
-10
-8
-6
-4
-2
0
2
4
6
8
x 10(-4)
nodos
p u
Errores:Mverd.-Mestim.
WAV
WAV-R
WLS
0 10 20 30 40 50 60 70
-0.03
-0.02
-0.01
0
0.01
0.02
0.03
0.04
0.05
nodos
grados
Errores:Fverd.-Festim.
WLS
WLAV
WLAV-R

Fig. 5.58:Errores de magnitud, caso 3 Fig. 5.59:Errores de fase, caso 3

En este caso identificador detect correctamente 2 mediciones de inyeccin,la
38 y la 25. Despus identific incorrectamente la medicin de inyeccin 64 haciendo
inobservable el sistema. Por lo que los resultados mostrados en la figuras 5.58 y 5.59
consideran que el identificador funcion correctamente. Los resultados muestran un
buen desempeo del estimador WLS (tomando en cuenta la suposicin). En cuanto a los
estimadores WLAV y WLAV-R, se observan resultados tan buenos como los del WLS.

5.6.2 Impacto de la colocacin de mediciones en los resultados de estimador
En este punto se prueba el algoritmo de colocacin de mediciones presentado en
en el captulo 4. El cual es probado en el de sistema de 68 nodos con una redundancia
global de 1.496. El algoritmo de colocacin inicia determinando que el sistema es
observable. Enseguida calcula los elementos diagonales de la matriz de de covarianza
C mediante la ecuacin 4.25, que indicarn cuales son los nodos con mayor varianza
de


error, es decir, los que tienen menos precisin es sus estimado. La Tabla 5.13, presenta
en forma ordenada los primeros 15 nodos con mayor varianza de error, los nodos
restantes no son presentados por razones de espacio. La primera columna de la Tabla

Resultados y Anlisis

130

5.13 muestra los nodos con mayor varianza de error. La segunda columna muestra la
varianza de error inicial, es decir antes de que se incluyan nuevas mediciones al
conjunto de mediciones originales

Tabla 5.13: Varianza de errores inicial
Nodo Varianza de error
inicial
12
0.1316

10
5

40
0.1149

10
5

42
0.1125

10
5

67
0.1124

10
5

29
0.1121

10
5

28
0.1117

10
5

48
0.1112

10
5

49
0.1079

10
5

47
0.1074

10
5

46
0.1064

10
5

59
0.1042

10
5

38
0.1041

10
5

66
0.1039

10
5

41
0.1039

10
5

61
0.1025

10
5



Enseguida se verifica la cantidad de mediciones de punto de apalancamiento de SEP en
estudio, mediante la obtencin de los elementos diagonales de la matriz K, que es
calculado con la ecuacin (4.29).La Tabla 5.14, muestra los primeros 15 posibles
mediciones de punto de apalancamiento, as como su valor obtenido de K
i i ,
.











Resultados y Anlisis

131


Tabla 5.14: Valor inicial de K
i i ,
Mediciones de
apalancamiento
Valor inicial
de K
i i ,
3 1.0
4 1.0
184 0.9860
183 0.9827
124 0.9637
122 0.9637
121 0.9635
123 0.9635
106 0.9587
105 0.9583
114 0.9316
113 0.9314
116 0.9091
115 0.9091
92 0.9051

Despus de verificar las posibles mediciones de punto de apalancamiento, se procede a
la seleccin de los nodos con mayor varianza de error. Por tanto se toman las tres
primeros nodos de la Tabla 5.13, y se procede a la bsqueda de mediciones candidato,
que reduzcan el error de varianza, Tabla 5.15.
Tabla 5.15: Mediciones candidato
Nodos con
baja presicin
Mediciones
candidato
C
i i ,
despus de
colocar una
medicin
Valor de
e
I.P.A
K
i i ,
12 Flujo_12-13
0.1297

10
5

0.2842-No
Flujo_12-11
0.1298

10
5

0.2841-No
Flujo_13-12
0.1288

10
5

0..3344No
Flujo_11-12
0.0867

10
5

0.3345-No

40 Flujo_48-40
0.1078

10
5

0.3960-No
Flujo_40-41
0.1143

10
5

0.5511-No
Flujo 41-40
0.0812

10
5

0.5787-No
Iny. en 2
0.0818

10
5

0.7981-Si

42 Flujo 42-67
0.1122

10
5

0.9860-Si
Flujo 42-41
0.1103

10
5

0.5468-No
Flujo 41-42
0.0895

10
5

0.5468-No
Flujo 52-42
0.0915

10
5

0.5468-No




Resultados y Anlisis

132

La Tabla 5.15, muestra en la segunda columna la mediciones candidato de cada
nodo seleccionado por baja precisin, la tercera columna muestra el valor de ,
despus de que se incluye una medicin a la vez, y la cuarta columa muestra el valor de
que se genera por la medicin candidato. Como se puede observar en la tercera
columna de la Tabla 5.15 la mediciones que obtuvieron un ms bajo, fueron las
mediciones de flujo en lnea, 13-12, 41-40 y 41-42, las cuales no generan nuevos puntos
de apalancamiento.
C
i i ,
K
i i ,
C
i i ,
Las mediciones que generaron un ms pequeo sern incluidas al conjunto
de mediciones originales. Despus de haber incluido estas mediciones se obtienen los
siguientes resultados, Tabla 5.16.
C
i i ,
Tabla 5.16: Varianza de error final y valor final de K
i i ,
Nodo Varianza de error
inicial
Mediciones de
apalacamiento
Valor final de

K
i i ,
66
0.1034

10
5

186 0.9846
41
0.1033

10
5

185 0.9816
67
0.0867

10
5

123 0.9622
42
0.0866

10
5

121 0.9622
12
0.0866

10
5

124 0.9620
40
0.0780

10
5

122 0.9620
29
0.0773

10
5

106 0.9586
28
0.0768

10
5

105 0.9583
49
0.0733

10
5

113 0.9294
46
0.0719

10
5

114 0.9284
48
0.0717

10
5

116 0.9091
59
0.0712

10
5

115 0.9091
61
0.0712

10
5

92 0.9031
38
0.0700

10
5

91 0.9025
47
0.0686

10
5

211 0.8847

En la cual se puede observar que los nodos 42,12 y 40 disminuyeron su varianza de
error, as como los dems nodos. Otra observacin que se puede hacer, es que
desaparecieron dos mediciones crticas que correspondan a las mediciones 3 y 4,
despus de haber incluido las mediciones candidato. Las dems mediciones de punto de
apalancamiento mostradas en la Tabla 5.16 tambin disminuyeron su valor de K
i i ,
.




Resultados y Anlisis

133

5.6.3 Conclusiones del caso 4
Al evaluar el desempeo de los estimadores ante mediciones de punto de
apalancamiento con errores se concluye que:
El estimador WLS presenta mucha sensibilidad ante mediciones de punto de
apalancamiento.
El identificador IBE es incapaz de detectar errores en mediciones crticas.
El identificador IBE presenta el efecto de enmascaramiento ante la presencia de
mediciones de punto de apalancamiento que interactan entre si.
Los estimadores WLAV y WLAV-R se ven afectados en su desempeo por los errores
en las mediciones crticas.
Los estimadores WLAV y WLAV-R no presentan mucha sensibilidad ante las
mediciones de punto de apalancamiento.
Al evaluar el desempeo de los estimadores con la colocacin de mediciones se
concluye que:
La inclusin de nuevas mediciones en los nodos que presentan menor precisin,
aumentan la redundancia local y por ende mejoran la precisin de lo resultados del
estimador.
La inclusin de nuevas mediciones disminuyen la presencia de mediciones critcas, as
como mediciones de punto de apalancamiento.













CAPITULO VI


CONCLUSIONES Y RECOMENDACIONES

6.1 Conclusiones
En el captulo anterior se realizaron pruebas exhaustivas a los estimadores WLS,
WLAV y WLAV-R, considerando la influencia que tiene la redundancia local y global,
los mltiples errores anormales en las mediciones, la identificacin de errores y la
influencia de las mediciones de punto de apalancamiento. En cada caso estudiado se
presentaron conclusiones. A continuacin se presentan las conclusiones generales de
este trabajo:
El estimador WLAV-R es una alternativa atractiva en tiempos de cmputo y
resultados, eligiendo adecuadamente el nmero de iteracines de programacin lineal.

Los estimadores WLAV y WLAV-R emplean un 70% de su tiempo de cmputo en la
solucin de la primera iteracin general.

Los estimadores WLAV y WLAV-R tienen un buen desempeo ante mltiples datos
errneos, mostrando su propiedad de rechazo de errores.

El estimador WLS es afectado fuertemente en su desempeo por los mlitples datos
errneos, aunado a la presencia de puntos de apalancamiento, quedando de manifiesto
su necesidad de usar un algoritmo de identificacin.

Los tiempos de cmputo obtenidos por los estimadores WLS, WLAV y WLAV-R no
son afectados significativamente por la inclusin de errores.




Conclusiones y Recomendaciones

135

El estimador WLAV-R es afectado ligeramente en casos con errores que interactan
entre s, sin que sus resultados sean malos.

El desempeo del estimador WLS con identificador es ligeramente mejor que los
estimadores WLAV y WLAV-R, siempre y cuando funcione correctamente el
identificador.

Los tiempos de cmputo empleados por el estimador WLS con identificador son
mayores que los empleados por los estimadores WLAV y WLAV-R.

El identificador IBE es afectado en su desempeo por la baja redundancia global y
local, aunado a la presencia de mediciones de punto de apalancamiento, que producen
un efecto de enmascaramiento, haciendo difcil la deteccin de datos errneos.

La mediciones crticas afectan fuertemente en su desempeo a los estimadores WLS,
WLAV y WLAV-R, as como al identificador IBE.

Las mediciones de punto de apalancamiento afectan ligeramente el desempeo de los
estimadores WLAV y WLAV-R.

La inclusin de nuevas mediciones en los nodos de baja precisin, aumentan la
redundancia local y por ende mejoran el desempeo del estimador.

La inclusin de nuevas mediciones disminuyen la presencia de mediciones crticas, as
como de mediciones de punto de apalancamiento.







6.2 Recomendaciones para trabajos futuros

Conclusiones y Recomendaciones

136

Despes de analizar el desempeo del estimadores WLS, WLAV y WLAV-R
ante mltiples pruebas, se sugieren los siguientes temas de investigacin que pueden
completar el trabajo aqu presentado.

Emplear mtodos de optimizacin para mejorar los tiempos de cmputo de los
estimadores WLAV y WLAV-R.

Crear una versin desacoplada del estimador WLAV propuesto y aplicarlo a SEP ms
grandes para determinar su estabilidad numrica.

Aplicar algn mtodo de transformacin o escalamiento en el estimador WLAV
(propuesto), buscando reducir con ello mediciones crticas y posibles mediciones de
punto de apalancamiento.

Crear un algoritmo que identifique los buenos y malos puntos de apalancamiento, y
que los malos sean elimininados o se les asigne una baja ponderacin, para reducir su
efecto en el proceso de estimacin.
REFERENCIAS

[1].- G.D Friedlander, The other electric company, IEEE, Spectrum, Vol 11, 1974.
[2].- H.D Limmer, Security application of on-line digital computers, Procc. PSCC,
Suecia, julio de 1966.
[3].- T.E DyLiacco, The adaptative reliability control system, IEEE Trans. Parallel Dist.
Syst., PAS-86, 1967.
[4].- F.G Vervloet, A. Brameller, AC security assessment, Procc. IEE Power, paper 7495,
1975.
[5].- F. Aboytes, Computer methods for state estimation and security assessment in
electric power system, Ph D. Thesis, ICST, Londres 1974.
[6].-Economy-security functions in power system operations, IEEE working group of
operating economics of the IEEE system economics subcommittee, presented at the IEEE
PES 1975 winter meeting.
[7].- N. Balu, T. Bertram, A. Bose, V. Brandwajn, G. Cauley, D. Curtice, A. Fouad, L.
Fink, M.G. Lauby, B.F. Wollenberg, J.N. Wrubel, On-line power system security
analysis, Procc. of the IEEE, Vol 2, Febrero de 1992.
[8].- A.G. Dewey, W.G. Tuel, Power system security indices, Report. of the IBM
research laboratory, 1970.
[9].- S.A. Arafeh, Real-time security assessment whit fast optimum generation shift
control, Power Industry Computer Applications Conference, 1977.
[10].- J.W. Gu, K.A. Clements, G.R. Krumpholz and P.W. Davis, The solution of ill-
conditioned power system state estimation problems via the method of Peter and
Wilkinson, Procc. PICA, mayo 1983, Houston.
[11].- F.C Aschmoncit, N.M. Perterson and E.C. Adrian, State estimation whit equality
constrainst, Procc. PICA, mayo 1977, Toronto.
[12].- A. Monticelli, C.A. Murai and F.F. Wu, A hybrid state estimator: solving normal
equations by orthogonal transformations, IEEE Trans. Power App. and Systems, PAS-105,
Diciembre 1985.

Referencias

138

[13].- F.C. Schweppe and J. Wildes and D.B. Rom, Power system static state estimation, I
II, III, IEEE Trans. on Power Apparatus and Systems, Vol. PAS-89, No. 1 pp 120-135,
January 1970.
[14].- J.M. Ramirz Arredondo, Estimacin de estado por mnimos cuadrados
ponderados, Tesis de Maestria en Ciencias, UNAM, 1989.
[15].- A. Simoes-Costa and V.H. Quintana, An orthogonal row proccesing algorithm for
power system sequential state estimation, IEEE Trans. on Power Apparatus and Systems,
Vol. 100, Agosto 1981.
[16].- J.W. Wang and V.H. Quintana, A decoupled orthogonal row proccesing algorithm
for power state estimation, IEEE Trans. on Power Apparatus and Systems, Agosto 1984.
[17].- A.George and M.T.Heath, Solution of sparse linear least squares problems using
Givens rotations, Linear Algebra and its applications, Vol. 34, pp 69-83, 1980.
[18].- F.F. Wu, W-H. E. Liu and S.M. Lun, Observability analysis and bad data
proccesing for estate estimation whit equality constrainst, IEEE PES winter meeting,
Febrero 1987.
[19].- A. Gjelsvik, S. Aam, L. Holten, Hachtels augmented matrix method-a rapid
method improving numerical stability in power system static state estimation, IEEE Trans.
on Power Apparatus and Systems, Vol 104, Noviembre 1985.
[20].- A. Gjelsvik, S. Aam, L. Holten, F.F. Wu, W-H. E. Liu, Observability analysis and
data proccesing for state estimation, using Hachtels augmented matrix method, Procc.
PICA, May 1987.
[21].- A. Gjelsvik, S. Aam, L. Holten, F.F. Wu, W-H. E. Liu, Comparison of different
methods for state estimation, IEEE Trans. on Power Apparatus and Systems, Vol 3,
November 1985.
[22].- G.W.Stagg, J.Dopazo, Techniques for the real time monitoring of power system
operations, IEEE Trans. on Power Apparatus and Systems, April 1970, pp 545-555.


[23].- L.Van Slyck, J.F.Dopazo, Conventional load flow not suited for real time power
system monitoring. 8th. PICA Conference IEEE, Junio 1973, pp 369-376.

Referencias

139

[24].- D.C.Montgomery, G.C.Runger, Probabilidad y estadsticas aplicadas a la
Ingeniera, Edit. Mc Graw Hill, 2da edicin 1996.
[25].- J.J.Grainger and W.D.Stevenson Power system analysis, Mc-Graw-Hill, 1994.
[26].- E.Arriola, R.Lpez, M.Mier, Un mtodo eficiente para eliminar errores anormales
de medicin en el proceso de Estimacin de Estado, Trabajo de investigacin entre
DESFI-UNAM y el Instituto de Investigaciones Elctricas.
[27].- E.D.Crainic, H.P.Horisberger, X.D.Do, D.Mukhedkar, Power network
observability: The assessement of the measurement system strength, IEEE Trans. on
power systems, Vol. 5, November 1990, pp 1267-1276.
[28].- G.W.Stagg and A.H.El-Abiad, Computational methods in power systems, Mc-
Graw-Hill, 1968.
[29].- Ilya W.Slutsker, Bad data identification in power systems state estimation based on
measurement compensation and linear residual calculation, IEEE Trans. on power
systems, Vol. 4, February 1989.
[30].- A.Monticelli and F.F.Wu, Network observability: Theory, IEEE Trans. on Power
Apparatus and Systems, Vol. PAS-104, No. 5, May 1985.
[31].- A.Monticelli and F.F.Wu, Network observability identification of observables
islands and measurement placement, IEEE Trans. on Power Apparatus and Systems, Vol.
PAS-104, No. 5, May 1985.
[32].- L.Mili, Van Cutsem and M.Ribbens-Pavella, Bad data identification methods in
power system state estimation: A comparative study, IEEE Trans. on Power Apparatus
and Systems, Vol. PAS-104, November 1985.
[33].- A.Simoes Costa, J.A.Leao, Identification of topology in power system state
estimation, IEEE Trans. on Power Systems, Vol. 8, No. 4, Noviembre 1993.
[34].- W.H.Edwin Liu, Swee-Lian Lim, Parameter error identification and estimation in
power system state estimation, IEEE Trans. on Power Systems, Vol. 10, No. 1, February
1995.
[35].- D.M.Falcao, S.H.Saraki, y A.Brameller, Nonquadratic state estimation: A
comparison of methods, Procc. of the 7th PSCC, 1981.

Referencias

140

[36].- M.R.Irving, R.C.Owen, and M.J.Sterling, Power system state estimation using
linear programming, Procc. of IEE, Vol 125, September 1978.
[37].- W.W.Kotigua, M.Vidyasagar, Bad data rejection properties of weighted least
absolute value techniques applied to static state estimation, IEEE Trans. on Power
Apparatus and Systems, Vol. PAS-101, April 1982.
[38].- Clements, K.A., P.W.Davis and K.D.Frey, An interior point algorithm for weigth
least absolute value power system state estimation, IEEE Winter Power Meeting, Paper
91-WM 253-2 PWRS, New York, February 1991.
[39].- D.M.Falcao, S.M.de Assis, Linear programming state estimation: Error analysis and
gross error identification, IEEE Trans. on Power Systems, Vol. 3, August 1988.
[40].- Falcao, D.M., Cooke, P.A and Brameller, Power system tracking state estimation
and bad data processing, IEEE Trans. on Power App. and Syst., Vol. PAS-101, No. 2, pp
325-333, February 1982.
[41].- D.M Falcao, An efficient power system tracking state estimator using linear
programming, Procced. of the IFAC symposium on Planning an Operation of Electric
Energy Systems, Rio de Janeiro, 1985.
[42].- Lo, K.L and Mahmoud, Y.M, A decoupled linear programming technique for
power system state estimation, IEEE Trans. on Power Systems, Vol. PWRS-1, February
1986.
[43].- A.Abur, M.Celik, A fast algorithm for the weighted least absolute value state
estimation, IEEE Trans. on Power Systems, Vol. 6, February 1991.
[44].- A.A.El-Keib, H.Singh, Fast linear programming state estimation using the dual
formulation, IEEE Trans. on Power Systems, Vol. 7, May 1992.
[45].- G.Hadley, Linear programming, Addison-Wesley, 1974.
[46].- M.S.Bazaras, J.J.Jarvis, H.D.Sherali, Linear programing and network flows,
Wiley, 1990.
[47].- P.E.Gill, W.Murray, M.H.Wright, Numerical lineal algebra and optimization,
Addison-Wesley, 1991.
[48].- A.Arbel, Exploring interior-point programing algorithms and software, the MIT
press, 1993.

Referencias

141

[49].- H.Singh, F.L.Alvarado, Weighted least absolute value state estimation using interior
point methods, IEEE Trans. on Power Systems, Vol. 9, August 1994.
[50].- J.M.Ramrez, O.L.Chacn, E.Barocio, The affine-scaling dual algorithm used to
solved the weighted least absolute value state estimation problem, sometido a
International Journal on Power and Energy Systems, 1997.
[51].- I.Barrodale, F.D.K.Roberts, An improved algorithm for discrete linear
approximation, SIAM J. Numer. Anal., Vol. 10, pp 839-848, 1973.
L
1
[52].- Karmarkar, N., A new polynomial time algorithm for linear programing,
Combinatorica 4, 373-395, 1984.
[53].- Adler, Y., M.Resende, G.Veiga and Karmarkar, An implementation of Karmarkars
algorithm for linear programing, Mathematical Programming, Vol. 44, 297-335, 1989.
[54].- Gill, P.E, W.Murray, M.A.Saunders, J.A.Tomlin and M.H.Wrigth, On projected
Newton barrier methods for linear programming and an equivalence to Karmarkar`s
projective method, Mathematical Programming, Vol. 36, 183-209, 1986.
[55].- Gonzaga, C., Large step path following methods for linear programming, parts I and
II, SIAM Journal of Optimization, 286-292, 1991
[56].- Clements, K.A., P.W.Davis and K.D.Frey, Treatment of inequality constraints in
power system state estimation, IEEE Winter Power Meeting, Paper. 92-WM 111-5
PWRS, New York, February 1992.
[57].- Ponnambalam, K., F.L.Alvarado, Fast approximations for power system
optimization problems using an interior point method, IEEE Trans. on Power Systems,
Vol. 7, 892-899, May 1992.
[58].- Vargas, L.S., V.H.Quintana and A.Vannelli, A tutorial description of an interior
point and its application to security constrained economic dispatch, IEEE Summer Power
Metting , Seattle, 1992.
[59].- L.Mili, Van Cutsem and M.Ribbens-Pavella, Hypothesis testing identification:
New method for bad data in power system state estimation, IEEE Trans. on Power
Apparatus and Systems, Vol. PAS-89, pp 125-130.
[60].- L.Mili, Van Cutsem, Implementation of the hypothesis testing identification in
power system state estimation, IEEE Trans. on Power Systems, Vol. 3, August 1988.

Referencias

142

[61].- A.Abur, A bad data identification for linear programming state estimation, IEEE
Trans. on Power Systems, Vol.5 August 1990.
[62].- E.F.Fetzer and P.M.Anderson, Observability in the state estimation of power
systems, IEEE Trans. on Power App. and Sys., Vol. PAS-94, Nov\Dec. 1975.
[63].- Ilya W.Slutsker, Jon M.Scudder, Network observability analysis through
measurement jacobian matrix reduction, IEEE Trans. on Power System, Vol. PWRS-2,
No. 2, May 1987.
[64 ].- C.Bongers, E.Ricke and E.Handschin, Observability for real-time state
estimation, CIGRE Study Committee Meeting, Rio de Janeiro, Brasil, September 1981.
[65].- K.A.Clements and B.F.Wollenberg, An algorithm for observability determination in
power system state estimation, Paper A75 447-3, IEEE PES Summer Power Meeting, San
Franciso 1975.
[66].- J.S.Horton and R.D.Masiello, On-line decoupled observability processing, PICA
Procc. Toronto, Ontario, 1972.
[67].- K.A.Clements, G.R.Krumpholz and P.W.Davis, Power system state estimation
residual analysis: An algorithm using network topology, IEEE Trans. on Power App. and
Sys., Vol. 100, April 1981.
[68].- K.A.Clements, G.R.Krumpholz and P.W.Davis, Power system state estimation whit
measurement deficiency: An observability measurement placement algorithm, IEEE
Trans. on Power App. and Sys., Vol. 102, July 1983.
[69].- V.H.Quitana, A.Simoes-Costa and A.Mendel, Power system observability using a
direct graph-theoretic approach, IEEE Trans. on Power App. and Sys., Vol. 101,
March 1982.
[70].- F. Aboytes y F. Betancourt, Conceptos bascos para la aplicacin de tcnicas de
estimacin de estado, Proyecto de Investigacin del Programa Doctoral de Ingenieria
Elctrica de la UANL, 1988.
[71].- M.K.Celik and W-H.Edwin Liu, An incremental measurement placement algorithm
for state estimation, IEEE Trans. on Power Systems, Vol. 10, No. 3, August 1995.

Referencias

143

[72].- S.Aam, L.Holten and O.Gjerde, Design of measurement system for state estimation
in Norwegian high-voltaje transmission network, IEEE Trans. on Power App. and Sys.,
Vol. PAS-102, December 1983, pp 3769-3777.
[73].- N.Sarma, V.Veera Raju and K.Prakasa Rao, Desing of telemetering configuration
for energy management systems, IEEE Trans. on Power Systems., Vol. 9, February 1994,
pp 381-387.
[74].- Y.M.Park, Y.H.Moon, J.B.Choo and T.W.Kwon, Desing of reliable measurement
system for state estimation, IEEE Trans. on Power Apparatus and Systems, Vol. 3, Aug.
1981, pp 830-836.
[75].- H.J.Kogling, Optimal measuring system for state estimation, Procc. PSCC
Conference, paper 2.3/12, Cambridge, September 1975.
[76].- M.E.Bara, J.Zhu, H.Zhu and K.E.Garren, A meter placement method for state
estimation, IEEE Trans. on Power Systems, Vol. 10, No. 3, August 1995, pp 1704-1710.
[77].- M.Celik and A.Abur, Use of scaling in WLAV estimation of power system states,
IEEE Trans. on Power Systems, Vol. 7, No. 2, May 1992, pp 684-692.
[78].- M.Celik and A.Abur, A robust state estimator using transformations, IEEE Trans.
on Power Systems, Vol. 7, No. 1, February 1992, pp 106-113.
[79].- D.Romero Romero, J. Alonso Ruiz, J. Robles Garca, Estimacin robusta para
sistemas de potencia, IEEE RVP-91, Tomo 1, Julio 1991, pp 241-247.
[80].- Matlab, The Math Works, Inc.

También podría gustarte